数据预的核心步骤，基本就是你摸清数据之前要做的那一堆杂活。像数据清洗、集成、变换、归约这些，听着有点学术，其实就像整理屋子：先扔垃圾，再归类，压缩打包。哦，还有微软家的DTS服务，做 ETL 挺顺手，后面会专门讲。

数据之前最头大的就是清洗，格式不统一、缺值、异常值全靠它搞定。想省事可以看看DataCleaner和Kettle这两个工具，界面友好，功能也比较全。DataCleaner适合批，Kettle支持流程图操作，操作起来更直观。

如果你喜欢开源的思路，数据清洗开源项目还挺多，搭配上OpenRefine那种老牌工具，干活更轻松。OpenRefine适合结构混乱的表格数据，点点点就能清理出一份干净表。

再往下，数据集成和变换主要是合并和标准化。有多个数据源的时候，这一步蛮关键的。不然一个字段叫user_id、另一个叫userid，你光识别都得半天。这篇文章讲得还不错，建议先过一遍。

还有些进阶用法，比如用MapReduce批量清洗超大规模数据。你要真做大数据清洗，可以看看这个实现文件，MapReduce 虽然上手麻烦点，但速度是真的快。

实战里，数据清洗的坑可不少。像什么样本偏差、Web 数据，不提前注意，结果偏得离谱。可以看看这两篇：样本偏差和Web 数据清洗方法，思路还蛮实用的。

吧，数据预说难不难，说简单也不简单。如果你刚入门，建议从图形化工具玩起。如果你打算搞点深入的批或者大数据，那 DTS、MapReduce 这些就得研究一下。