《Using OpenRefine》翻译~2

上一篇：《Using OpenRefine》翻译~1

OpenRefine支持的文件类型

以下是部分OpenRefine支持的文件格式：

●csv、tsv及其他*sv

●xls/xlsx、cdf、ods

●JSON

●XML

●行文本格式（比如log文件）

如果你需要打开其他格式文件，你可以通过OpenRefine扩展功能打开。

创建OpenRefine项目十分简单，只需要三步：选择文件、预览数据内容、确认创建。让我们通过点击“创建项目”标签页、选择数据集、点击下一步来创建新项目。

虽然我们鼓励你在OpenRefine中使用你自己的数据集，不过使用本书中的例子可能学习起来更高效。为了能够做到这点，案例中的数据均基于悉尼的PowerhouseMuseum组织，可以登录账户并在http://www.packtpub.com中下载（chapter1.tsv）学习，后续章节数据也可以下载获得，如何你是从其他地方购买本书，你也可以在http://www.packtpub.com/support注册并通过email获得本书数据。

下一步你会看到一个数据集预览界面，在右侧底部，你可以看到如下数据解析选项界面：

默认情况下，第一行数据会被解析为列名称，我们使用的Powerhouse数据集中的数据也显然符合首行为列名称。OpenRefine同时也会猜测单元格类型，给其赋予整数、日期、网址等等，这在你后续整理排列数据的时候十分有用（比如如果你将单元格设为文本格式，那么10就会排在2前面）

另一个选项是“引号在原数据中用来分隔列”选择项，如果选中，则原数据中引号用来分隔列，否则就需要去掉勾选框以使得OpenRefine能够正确读取。在Powerhouse数据集中，引号是用来表明物体名称和说明信息，所以此情况下，引号没有分隔列的意思：所以这里我们需要去掉勾选。剩下的选项在某些情况下需要设置，试着勾选或者去掉勾选来看看如何影响数据。另外，请确保编码正确，以使得显示正确。当所有都设置好后，点击创建项目来加载数据。

要点3：探索数据

本点中，你将通过查看数据界面的所有区域：总行数、不同的显示参数、列名称及菜单、实际单元格数据来探索数据。

一旦你的数据被加载，你将获得类似如下的界面内容：

上图中标明1~4的四个区域，我们按照顺序介绍：

1、总行数：如果你没有忘记去掉“引号有意义”选项（参照要点2-创建一个新项目），那么你会看到Powerhouse文件包含75814行数据。当数据按照某个参数进行过筛选，这里的显示会变成类似于找到123匹配行（总共75814行）。

2、显示选项：试着点击下，将行变成记录来查看区别，事实上变化并不大，只不过该区域显示为75814条记录而已。行数量一般情况下等于记录数量，但在后续情况中还是不一样的。该区域可以让你选择按5、10、25、50每页显示，并且你也可以在这里跳转页。

3、列名称及菜单：你会发现数据加载后的第一行被解析为列名称，在Powerhouse数据集中，列包含Record ID, Object Title, Registration Number等等（如果你在创建时去掉了“将第一行解析为列名称”的勾选，那么列名称区域会显示为Column1、Column2等等）

4、单元格内容：此处显示实际单元格数据

在开始剖析清理数据前，十分重要的一点是确保OpenRefine较好的载入显示了数据：查看列名称被解析正确（数据显示较宽时请使用水平滑动条）、单元格类型是否正确等等。将行显示项改为每页显示50条以查看数据不明显矛盾（理想情况下，你应该在创建项目前的预览界面时处理这些工作）。当你已经熟悉了操作界面，你就可以继续下一步了。

下一篇：《Using OpenRefine》翻译~3