如何發現截斷的資料項

截斷（形容詞）：縮寫、刪節、縮減、剪下、剪裁、裁剪、修剪……

資料項被截斷的一種情況是將其輸入到資料庫欄位中，該欄位的字元限制比資料項的長度要短。例如，字串：

Yarrow Ravine Rattlesnake Habitat Area, 2 mi ENE of Yermo CA

是 60 個字元長。如果你將其輸入到具有 50 個字元限制的“位置”欄位，則可以獲得：

Yarrow Ravine Rattlesnake Habitat Area, 2 mi ENE #末尾帶有一個空格

截斷也可能導致資料錯誤，比如你打算輸入：

Sally Ann Hunter (aka Sally Cleveland)

但是你忘記了閉合的括號：

Sally Ann Hunter (aka Sally Cleveland

這會讓使用資料的使用者覺得 Sally 是否有被修剪掉了資料項的其它的別名。

截斷的資料項很難檢測。在稽核資料時，我使用三種不同的方法來查詢可能的截斷，但我仍然可能會錯過一些。

資料項的長度分布。第一種方法是捕獲我在各個欄位中找到的大多數截斷的資料。我將欄位傳遞給 awk 命令，該命令按欄位寬度計算資料項，然後我使用 sort 以寬度的逆序列印計數。例如，要檢查以 tab 分隔的檔案 midges 中的第 33 個欄位：

awk -F"\t" 'NR>1 {a[length($33)]++} \    END {for (i in a) print i FS a[i]}' midges | sort -nr

最長的條目恰好有 50 個字元，這是可疑的，並且在該寬度處存在資料項的“凸起”，這更加可疑。檢查這些 50 個字元的專案會發現截斷：

我用這種方式檢查的其他資料表有 100、200 和 255 個字元的“凸起”。在每種情況下，這種“凸起”都包含明顯的截斷。

未匹配的括號。第二種方法查詢類似 ...(Sally Cleveland 的資料項。一個很好的起點是資料表中所有標點符號的統計。這裡我檢查檔案 mag2：

grep -o "[[:punct:]]" file | sort | uniqc

請注意，mag2 中的開括號和閉括號的數量不相等。要檢視發生了什麼，我使用 unmatched 函數，它接受三個引數並檢查資料表中的所有欄位。第一個引數是檔名，第二個和第三個是開括號和閉括號，用引號括起來。

unmatched(){    awk -F"\t" -v start="$2" -v end="$3" \        '{for (i=1;i<=NF;i++) \            if (split($i,a,start) != split($i,b,end)) \                print "line "NR", field "i":\n"$i}' "$1"}

如果在欄位中找到開括號和閉括號之間不匹配，則 unmatched 會報告行號和欄位號。這依賴於 awk 的 split 函數，它返回由分隔符分隔的元素數（包括空格）。這個數位總是比分隔符的數量多一個：

這裡 ummatched 檢查 mag2 中的圓括號並找到一些可能的截斷：

我使用 unmatched 來找到不匹配的圓括號 ()、方括號 []、花括號 {} 和尖括號 <>，但該函數可用於任何配對的標點字元。

意外的結尾。第三種方法查詢以尾隨空格或非終止標點符號結尾的資料項，如逗號或連字元。這可以在單個欄位上用 cut 用管道輸入到 grep 完成，或者用 awk 一步完成。在這裡，我正在檢查以製表符分隔的表 herp5 的欄位 47，並提取可疑資料項及其行號：

cut -f47 herp5 | grep -n "[ ,;:-]$"或awk -F"\t" '$47 ~ /[ ,;:-]$/ {print NR": "$47}' herp5

用於製表符分隔檔案的 awk 命令的全欄位版本是：

awk -F"\t" '{for (i=1;i<=NF;i++) if ($i ~ /[ ,;:-]$/) \    print "line "NR", field "i":\n"$i}' file

謹慎的想法。在我對欄位進行的驗證測試期間也會出現截斷。例如，我可能會在“年”的欄位中檢查合理的 4 位數條目，並且有個 198 可能是 198n？還是 1898 年？帶有丟失字元的截斷資料項是個謎。 作為資料審計員，我只能報告（可能的）字元損失，並建議資料編制者或管理者恢復（可能）丟失的字元。