1、Traps and Tips in Data Mining Developement,主要内容,开发过程中对于新手常见又容易忽略的小问题,表面好还不够，基础也很重要,相关问题,查询的逻辑正确性查询性能数据挖掘操作问题工具小问题等等,失败乃成功之母但.“Only a fool learns from his own mistakes. The wise man learns from the mistakes of others.“ Otto von Bismarck,(All examples are real; just dont take it personally. ),查询的逻辑问题,
2、join错误 分清Inner/left/right/full JOIN，弄清应用场景。 三个或以上表FULL JOIN的时候要更小心。 Join的表有重复号码 历史表、转品牌、多维表等 如果两个要JOIN的表表有重复号码，生成的表就叉乘出更多重复号码 尽量先Aggregate再join，保持粒度一致,sel a.c_usr_nbr,b.si_b_brnd_cd,count(distinct a.c_b_area_cd)as area_cnr from pmarttemp. tmp_usr_toll_b_area_200901 a left joinpmart.TB_MID_FRD_INFO20
3、0901 bon a.c_usr_nbr=b.c_usr_nbr group by 1,2,Traps,查询的逻辑问题,被除数为0： a/(b+0.0001) 只有在b=0的时候才适用 Coalesce(a/nullifzero(b), y) b=0时用y作为结果整数相除 integer/integer - integer 在算比率时会出问题。101000 必须先转为float类型,Traps,查询的性能问题,现象：慢、skewed。通过TM监控。 常见原因：Primary Index（PI）的问题。 建新表时没有指定PI，结果将month作为PI了 Bad PI (not specified
4、), skew 大表不是按PI关联（交往圈表） 关联条件错误 没写关联条件！或漏了（倒如缺了月份的关联条件）,Traps,查询的性能问题,Optimizer不能找出最好的运行方案 通过explain查看运行方案 用Collect stat，让数据的新状况告诉Optimizer中止有问题的脚本 如果用perl运行，ctrl-c只是中止了perl，bteq脚本仍在运行。要将窗口关掉，才能完全中止。,Traps,查询性能问题,JOIN和Aggregation 先Join再 aggregate vs. 先agrregate再joinsel a.c_usr_nbr,b.si_b_brnd_cd,coun
5、t(distinct a.c_b_area_cd)as area_cnt from pmarttemp. tmp_usr_toll_b_area_200901 a left joinpmart.TB_MID_FRD_INFO200901 bon a.c_usr_nbr=b.c_usr_nbr group by 1,2运筹：理清计算过程，为多次使用的中间数据建立临时表，不用重复计算。,Traps,逻辑清晰的程序运行效率也通常高,数据处理性能问题,尽量不要随意Insert, update, delete 慢、资源多、拖累其它作业。（日志资源很有效） cancel后要rollback，也会影响很大。
6、有时搞到要将整个表废掉。 基本上不要update 改变C编程的思维 i=0; if (长途) i+; a+=i; X 不适用于DW编程 DW思维：使用 sum(case when .end)考虑用Partitioned Primary Index（PPI）优化insert/deleteUnion vs. union all Union 需要进行重复记录检查，慢 如果可预知是没重复记录的，则用union all（不作重复检查）。例如几个地市的数据集合并。,Traps,数据处理性能问题,同步执行，效率更高 Insert into t . ;insert into t .对同一个表的多条delete
7、/insert/update在同一步运行时会得到优化，速度比分开时快很多。 （SQL Assistant里要点并发执行按钮）全表删除用 delete from t all,Tips,注意分号的位置，在下一个insert的行首,数据挖掘的问题,Z-score(标准化） 在Variable Transformation模块中 消除数据不同月份间的季节性差异。 消除量纲。如果一个变量可能是全0（根据月份不同而变），则可能出错除以0错误。 解决：将score代码取出来，全部变量进行替换： (a-avg)/stdev zeroifnull (a-avg) / nullifzero (stdev),Tip
8、s,数据挖掘的问题,NULL值处理 在分析算法中，包括NULL值的记录会被删除。 注意：许多变量中NULL值是有意义。比如没有相应的话单时，会产生NULL值变量，其实是表示“0” 最好在生成数据集里就用zeroifnull(.)进行替换。异常值处理 例如排除消费量最大的10条记录。,Traps,模型投产的问题,注意：脚本需要每个月都运行 保存每次运行的结果，以便评估和跟踪。 不要把以前的数据覆盖掉。 尽量不要依赖以前的数据。例如。名单数据抽取后进行检查 使用TWM的value和Statitics模块，检查名单的取值是否合理 缺失值？异常值？ 搞反了取得是最不会流失的用户？ 变量的均值是否合理，
9、流失名单用户的ARPU是否偏低。,Traps,工具的问题,字符集 大部分表是uft-8，小部分是ascii。 字段Title的字符集多数是ascii。 最好建两个ODBC数据源。如果中文看不到，就切换。自己建新表尽量用utf-8,Traps,工具的问题,BTEQ脚本 块注释 字段注释 .Goto and .label：分块化，断点运行。 .set maxerror 1 .set errorlevel 3803 severity 0 -忽略表已存在错误古怪错误的应对 * Failure 3704 ? (A3X) is not a valid Teradata SQL token. - 是否将标点
10、或字符输成中文全角？ 缺“;”，引号不匹配，会导致”end of file unexpected”,Tips,工具的问题,TWM 需要使用asc字符集，否则会不能正确识别数据类型（字段前的小方块应该是绿色的，红色就问题） （新版TWM不知有没有这个问题） Project 里的analysis可以复制、粘贴，便于在之前的工作上作调整。 第一次用TWM时先把metadata等配置好，建了project后再改就不能保存结果。,Tips,工具的问题,常用的EXCEL技术 公式 绘图：所有的图、格式设置。 透视图 贴进PPT里时，用“选择性粘贴”，EMF格式，这样PPT文件较小。,Tips,工作习惯,T
11、rackability 版本控制： Team (VSS)：写comment，告许别人变更原因和改动的地方。 个人 (Me: SVN) 邮件 filename_20090701_v2 ，并在邮件中说明变更的地方 Word，使用“修订”模式，记录变更 PPTEXCEL 使用标注。统一的命名习惯工作计划 工作日志: 挖掘过程中有许多试验，之间的代码和参数差异很小。将有意义的中间步骤和结果记录下来，便于日后查看，或与别人交接。,Tips,工作习惯,“Nothing is certain but Death and Taxes.” 如果不确定，就要查文档或问别人，特别是业务问题常用的工具，凭感觉和试验可能会出意想不到的错。 系统阅读相关文档，也会更全面学到新的技巧。 Teradata SQL References 2 WBT Courses TWM User Guide Teradata BTEQ Reference Teradata Fastload Reference Teradata Multiload Reference EXCEL,Tips,
