本文的原数据有两个，都为某淘宝店销售数据，其中一个命名为“订单明细报表-(酷宝数据)”，里面有7547条记录；另一个命名为“ExportOrderList”，有5374条记录。前者包含属性名：序号、订单拍下时间、订单成交时间、宝贝标题、单价、数量、订单状态、实付款、来源、来源URL、入店时间及关键词共12个属性。后者包括订单编号、买家会员名、买家支付宝账号、买家应付货款、买家应付邮费、买家支付积分、总金额、返点积分、订单状态、买家留言、收货人姓名、收货地址、运送方式、订单创建时间、订单付款时间、宝贝标题、宝贝种类、是否手机订单等37个属性。两个表格虽然都是销售情况的统计表，但存在较大差别，直观上属性名不一致，此外，内容格式上，前者一个序号下会有若干行记录的情况，而这种情况就是一个客户同时购买多种商品的情况，而后者就是正常的一个订单编号对应一行记录。另外，前者统计的订单包含了最后交易成功和未成功两种，而后者则为已交易成功的，这也是后者记录条数少于前者的原因。为方便区分和记录，本文将前者命名为“销售记录表1”，后者则为“销售记录表2”。

一、数据选择和数据清理   

两表格中的变量数据都存在空缺问题。在“销售记录表1”中，有空缺值的属性有：序号、订单拍下时间、订单成交时间、入店时间及关键词，其中“序号”空缺是由于淘宝记录系统将一个订单按照购买商品种类拆分为几行。而“销售记录表1”中对分析有用的数据主要是订单状态和来源，所以只需保证这两个属性的数据无空缺即可。在“销售记录表2”中，只需保证买家会员名、收货地址、宝贝标题、是否手机订单这4个属性无空缺即可。

不妨就只选出这些需要用到的列，筛选后，“销售记录表1”只剩下两列，如图1所示，而“销售记录表2”如图2所示。

图1——初步筛选后的“销售记录表1”部分截图

图2——初步筛选后的“销售记录表2”部分截图

“销售记录表1”的来源列中，不难发现有些条目不止一个来源，这里默认第一个来源为订单的来源，并且统一将字符后的“#”去掉。经初步筛选观察，订单状态分类有6种，为分析方便，将6种状态——“买家已付款”、“等待付款”、“TRADE_NO_CREATE_PAY”、“交易关闭”、“交易完成”、“卖家已发货”分为两组，分别为“成功交易”组——“买家已付款”、“TRADE_NO_CREATE_PAY”、“交易完成”、“卖家已发货”和“未成功交易”组——“等待付款”、“交易关闭”。

“销售记录表2”中，“是否为手机订单”一列将空白处全填入“否”。则经过初步数据选择和数据清理后的两个表的数据，分别如图3，图4所示。

图3 进一步处理后的“销售记录表1”部分截图

图4——进一步处理后的“销售记录表2”部分截图

二、数据变换

首先，需要将两个表中的序号和订单编号都重新按顺序编号。接着，类似销售记录这种商业数据，绝大部分属性对应数据类型往往不再是传统的数值型数据，越来越多的数据类型趋于非结构化，非结构化数据的存储模式不统一，没有按某种特定数据结构的形式进行存储，计算机处理起来难度很大。对于销售记录表2”中的宝贝标题一项需进行转换，具体操作：将宝贝标题中提到的商品逐一进行编号，记为商品1，商品2……其中表2是该店商品及对应编号。接着建立事实表，该表形如｛T，F｝矩阵。表的变量名为“商品1，商品2……”（为方便，简写为1，2……），变量值为T，F，若订单 包含了商品 ，则对应框中填入“T”，代表购买，以此类推，最后再将剩下空白格填上“F”。建立的事实表部分截图如图5所示。

表1——商品及其编号

图5——事实表部分截图