data-cleaning - Google 优化行和列之间的交叉引用

Question

我不确定这是否可以在 Google Refine 中实现。但基本上，我有这样的数据。

第一个表是所有用户的表。第二张表显示了所有的 friend 。但是，在 "friends" 列的第二个表中，并不是所有的 id 都存在于我想要删除的第一个表中。那么，如何在第二个表的friends列中搜索每个id，并去掉表1中不存在的id？

Answer 1

将这两个表放在不同的项目中(我们称它们为Table1 和Table2)。

在 Table2 的 friends 列中:

• 使用“拆分多值单元格”将每个值放在单独的行上
• 将 visitors 列转换为数字(或相反地将 Table1 中的 user_id 转换为字符串)
• 使用带有表达式 cross(cell,'Table1','user_id').length()
的“基于此列添加新列”

如果不匹配则返回 0，如果匹配则返回 1，如果表 1 中有重复则返回 N>1

如果您希望数据恢复为原始格式，请设置一个面来过滤有效性列，清空所有错误值，然后使用“加入多值单元格”来反转您之前所做的拆分操作.

我用 cross() 为 OpenRefine 2.6 修复了一些缓存错误，所以如果交叉不起作用，请尝试停止并重新启动 Refine 服务器。