R语言ETL工程系列：总论-优快云博客

本文是R语言ETL工程系列的开篇，主要介绍了ETL（提取、转换、加载）的基本概念，强调了R语言在数据预处理中的优势，特别是dplyr包的高效性和易用性。文章指出，虽然SQL在ETL中占据重要地位，但R语言的tidyverse包提供了一种更便捷的解决方案，有助于数据科学家提高工作效率。

640?wx_fmt=gif

作者：黄天元，复旦大学博士在读，目前研究涉及文本挖掘、社交网络分析和机器学习等。希望与大家分享学习经验，推广并加深R语言在业界的应用。

邮箱：huang.tian-yuan@qq.com

前言

本篇是R语言ETL工程系列的第一篇，这个系列我们将讨论如何使数据预处理简洁便捷，本系列的宗旨是让这个过程显得更加轻松，让初学者快速入门这些基本概念和操作。

什么是ETL

我刚开始注意到ETL这个词的时候，是搜招聘信息的时候。我发现很多公司招人的时候有要求需要会ETL技术，于是进行了更加深入的了解。ETL是Extract,Transfer,Load的简称，翻译成中文是提取、转换、加载。

640?wx_fmt=jpeg

广义的ETL技术包括数据的存储管理、规范化、审查等等。本系列指的ETL是狭义的ETL技术，也就是针对一个数据科学家，如果手头已经有了数据，如何把这份数据通过加载、形式的转化，最后得到一份直接能够进行分析的数据表格。
ETL这个过程在业界也有很多别称：数据清洗、数据整形、数据预处理等。你会发现相同名称的岗位，在不同的公司往往实际负责的任务会大相径庭。但是名称是次要的，它会随着时代的变更不断被改变和再定义。唯一不变的是，企业中、科研所、高效中存储的二维表数据，它们是必须经过多项预处理之后，才能够成为直接可用的有价值的数据。在数据中提取信息，在信息中发现知识，为了实现这一步，我们就必须先做ETL工程。业界普遍认为这个步骤需要花掉80%甚至以上的时间，为了让这个过程显得更加轻松，让数据预处理简洁便捷，让初学者快速入门这些基本概念和操作，这就是本系列的宗旨。

什么是SQL

之所以要提到SQL，以为本系列的大部分操作，在没有R的便捷工具之前，人们大多都是通过SQL来实现的。

640?wx_fmt=jpeg

SQL,Structured Query Language,中文译为结构化查询语言，是对数据库数据进行数据操作的基本语言。它的历史非常悠久，在20世纪70年代就开始发展了。SQL是目前做数据分析师或者数据挖掘必备的技能，如果从业人员都无法在企业的数据仓库中调度数据，就更不要提如何在这些数据中挖掘商业价值了。SQL是目前做ETL工程的主流语言，尽管我们后续提到的R语言做ETL有优越之处，但是SQL作为一门数据查询语言，它的地位在短期内依旧是无法撼动的。

为什么用R做ETL

R语言在设计之初，就是面向统计计算和可视化的。每次打开R语言，我们都可以看到这么一句话：R is free software and comes withABSOLUTELY NO WARRANTY.我对这里的free具有两层理解：1.R语言是开源免费的；2.R语言是灵活自由的。用了这么久的R语言，我时常还是会感慨，这个社区居然有这么多活跃的开发者，如此努力地创造工具给大家免费使用，实在是太不可思议了！那时候我就在想，如果将来我能够熟练运用之后，也要把自己的经验分享给大家。

640?wx_fmt=jpeg

关于R的灵活自由，可能是有一定编程经验的用户才能够更加深刻地体会这一点。在解决数据科学的时候，我发现R语言对数据特别有办法。之所以使用R做ETL工程，就是因为R具有非常便捷的工具。dplyr包自2014年发布以来，已经在数据科学界得到广泛的应用。它的设计之初，就参考了SQL在数据操纵的特性，但是“青出于蓝而胜于蓝”，在实际工作中，我们发现dplyr的语法结果更加适合对数据进行预处理。举个例子，如果一个查询非常复杂，涉及层层嵌套，如果使用R语言dplyr的语法结构，往往能够写出高效率、可读性极强的、层层递进式的代码，从而减少了用户编写代码的时间，也有利于代码重用。
时至今日，以dplyr为首所席卷的tidy之风正在席卷整个R语言的世界，而且笔者坚信，它在将来会席卷整个数据科学的世界。

640?wx_fmt=jpeg

本系列的所有操作，都只使用了一个包，它叫做tidyverse，里面包含了众多数据处理的工具。第一次安装的时候可能有点费时，因为我发现随着时间的增长，它已经成为一个面面俱到的万花筒式数据科学工具包。
Long story short，用R就是因为，有了tidyverse这套免费易用的高效工具包，有了它，我们就可以利用这些工具畅游数据科学的世界！最后补一句：Life’s short, use R.

小结

本章对ETL、SQL和R进行了简要的介绍，并告诉大家为什么要用R做ETL。下一个章节中，我们将会用大量的代码和实际例子告诉大家，为什么要用R做ETL，它是多么的简单，以及它能够如何辅助SQL用户写出高效的代码。总的来说，R与SQL都不难，作为数据科学工作者都应该掌握。ETL是数据科学必备的技能，对关系型数据库而言，这些技巧是不可或缺的。每当我看到一长串的SQL代码的时候，我认为，要么新的工具应该出现，要么老的SQL应该改版了…dplyr就是一个不错的替代方案，或者叫做辅助方案。它是支持SQL的（也就是它能够直接翻译成SQL，有现成工具能够翻译），而且也支持spark，未来也许大家能够从一长串的SQL中解放出来，来写更加明晰的代码。