异常数据

[Avens666]

DXYarea的数据反馈

2.14 武汉死亡数据，有一行为1124，影响数据清洗 （我统计数据使用当天最大值，这个很干扰）
湖北省,武汉,51986,0,4131,1426,35991,0,2286,1124,2020-02-14 08:10:27.048
应该是1106

2.2日武汉的治愈数据 有个252，也不对
湖北省,武汉,9074,0,215,294,4109,0,252,224,2020-02-02 18:23:15.451

另外，为什么不把各项新增数据爬出来呢，只有总数，虽然后一天减去前一天可以得出新增数据，但是由于存在核销数据的情况，这样计算有时并不准确，有时候累计数后一天数量甚至比前一天可能少，减出来的新增数据就为负数，影响统计和趋势判断。
为了新增数据我还专门写了脚本处理，如果能够直接抓去出来就好了。

[BlankerL]

感谢反馈，这些数据我会核查。

数据异常都是丁香园手动录入数据时产生的，本项目只负责把丁香园每一次更新的数据记录并储存，并不负责数据的异常值的处理。

所有的异常值本身就应该是科研过程中会面对并且需要处理的，项目的存在是帮助你更方便地接触你原本根本获取不到的数据，而不是由我来给你处理好所有内容。

每个人有不同的数据需求，我无法按照每个人的意愿来完成个性化的数据定制。你在提出由我来清理异常值的同时，也有人希望我能够保留所有异常值，异常值的清洗由更专业的人来完成。这个项目目前有900多个Star，意味着有超过900人对数据有需求，每个人挖掘数据的方式可能都不同，我难道需要定制900个不同的字段吗？

所有的异常值的筛选工作也需要你们的反馈，我不是机器人，没办法肉眼分析每一条数据的可靠性。这是一个开源项目，开源项目的就是应该由所有用户来共同贡献。同时，我甚至不用这份数据来进行科研工作，所以我对这份数据的熟悉程度甚至比不上很多用户，这个项目只是我希望为疫情出一分力才诞生的。

为了新增数据我还专门写了脚本处理，如果能够直接抓去出来就好了。

为了让你免费获取到这份数据，我花费了至少100个小时来写代码和维护项目却连一个感谢都没有，我又是何苦？

另外，在质疑我的时候，你是否已经阅读过README文件，你清楚异常数据要到哪里提交吗？

[BlankerL]

现在来回答你说的这两个数据异常：

湖北省,武汉,51986,0,4131,1426,35991,0,2286,1124,2020-02-14 08:10:27.048

武汉市当天仅有一条数据的死亡人数为1124人，剩下的都是1016人。然而，前一天的死亡数据为1036人，大于第二天的1016人。因此，死亡1124人可能是某一次统计结果，后来得到更正，并修正了前一天的错误，因此，这个条目不会被删除。

同时，你自己都把1016错打成了1106，也请允许丁香园犯错误。

湖北省,武汉,9074,0,215,294,4109,0,252,224,2020-02-02 18:23:15.451

本条数据没有任何问题，前一条数据的治愈人数为215人，后一条数据的治愈人数为261人，如果认为这条数据有误，请说明原因。

[Avens666]

非常感谢你的工作，确实为很多数据分析人员提供了很大的帮助。辛苦了 提问题并不是抱怨，只是希望能够将数据质量提升的更好。 关于两个数据的具体问题，明天我再整理一下继续讨论 基于你的数据，我也做了一些工作，写了一些脚本，做了一些数据清洗，明天我也准备建个项目将之上传共享 最后再问一下，丁香园没有原始的新增确诊，新增痊愈和新增死亡数据吗？考虑到官方确实经常核销数据，依靠单纯的减去前一天的数据来计算新增数据，确实有少部分数据问题

…

---原始邮件--- 发件人: "Isaac Lin"<notifications@github.com&gt; 发送时间: 2020年2月15日(周六) 晚上11:59 收件人: "BlankerL/DXY-COVID-19-Data"<DXY-COVID-19-Data@noreply.github.com&gt;; 抄送: "Author"<author@noreply.github.com&gt;;"Evan Chen"<56132958@qq.com&gt;; 主题: Re: [BlankerL/DXY-COVID-19-Data] 异常数据 (#29) 感谢反馈，这些数据我会核查。 数据异常都是丁香园手动录入数据时产生的，本项目只负责把丁香园每一次更新的数据记录并储存，并不负责数据的异常值的处理。 所有的异常值本身就应该是科研过程中会面对并且需要处理的，项目的存在是帮助你更方便地接触你原本根本获取不到的数据，而不是由我来给你处理好所有内容。 每个人有不同的数据需求，我无法按照每个人的意愿来完成个性化的数据定制。你在提出由我来清理异常值的同时，也有人希望我能够保留所有异常值，异常值的清洗由更专业的人来完成。这个项目目前有900多个Star，意味着有超过900人对数据有需求，每个人挖掘数据的方式可能都不同，我难道需要定制900个不同的字段吗？ 所有的异常值的筛选工作也需要你们的反馈，我不是机器人，没办法肉眼分析每一条数据的可靠性。这是一个开源项目，开源项目的就是应该由所有用户来共同贡献。同时，我甚至不用这份数据来进行科研工作，所以我对这份数据的熟悉程度甚至比不上很多用户，这个项目只是我希望为疫情出一分力才诞生的。 为了新增数据我还专门写了脚本处理，如果能够直接抓去出来就好了。 为了让你免费获取到这份数据，我花费了至少100个小时来写代码和维护项目却连一个感谢都没有，我又是何苦？ — You are receiving this because you authored the thread. Reply to this email directly, view it on GitHub, or unsubscribe.

[BlankerL]

非常感谢你的工作，确实为很多数据分析人员提供了很大的帮助。辛苦了 提问题并不是抱怨，只是希望能够将数据质量提升的更好。 关于两个数据的具体问题，明天我再整理一下继续讨论 基于你的数据，我也做了一些工作，写了一些脚本，做了一些数据清洗，明天我也准备建个项目将之上传共享 最后再问一下，丁香园没有原始的新增确诊，新增痊愈和新增死亡数据吗？考虑到官方确实经常核销数据，依靠单纯的减去前一天的数据来计算新增数据，确实有少部分数据问题

感谢理解，丁香园只针对中国的全国数据返回新增结果，并不针对地市数据和外国数据返回新增数量。我个人猜测应该是数据统计并不一定准确，可能也存在你说的类似的情况，第二天或许会修正前一天的错误，所以没有办法通过程序自动化地精确计算新增数量吧。

确实没办法针对每个人的需求定制返回的数据字段，如果有需要可以参考两个项目的README文档，文档里有我收录的一些分析工具，里面包含了基础的分析方法。如果你上传了脚本可以在本项目中注明，我也会将你的脚本引用到README中。

[Avens666]

BlankerL 你好，我已将数据清洗的工作内容上传到如下地址
https://github.com/Avens666/COVID-19-2019-nCoV-Infection-Data-cleaning-

[Avens666]

现在来回答你说的这两个数据异常：

湖北省,武汉,51986,0,4131,1426,35991,0,2286,1124,2020-02-14 08:10:27.048

武汉市当天仅有一条数据的死亡人数为1124人，剩下的都是1016人。然而，前一天的死亡数据为1036人，大于第二天的1016人。因此，死亡1124人可能是某一次统计结果，后来得到更正，并修正了前一天的错误，因此，这个条目不会被删除。

同时，你自己都把1016错打成了1106，也请允许丁香园犯错误。

湖北省,武汉,9074,0,215,294,4109,0,252,224,2020-02-02 18:23:15.451

本条数据没有任何问题，前一条数据的治愈人数为215人，后一条数据的治愈人数为261人，如果认为这条数据有误，请说明原因。

我指的252是2月2日武汉市的治愈数据，你看的是湖北省的治愈数据，省数据 252可以认为是个正常的中间数据。但是2月2号武汉市的治愈数据，前面是138，后面是175，中间这个252就很奇怪，我觉的应该是把省的数据输错了
不过我现在统计使用一天内最后一次统计数据，不再使用最大值，现在这种问题暂时对清洗影响不大了

[BlankerL]

现在来回答你说的这两个数据异常：

湖北省,武汉,51986,0,4131,1426,35991,0,2286,1124,2020-02-14 08:10:27.048

武汉市当天仅有一条数据的死亡人数为1124人，剩下的都是1016人。然而，前一天的死亡数据为1036人，大于第二天的1016人。因此，死亡1124人可能是某一次统计结果，后来得到更正，并修正了前一天的错误，因此，这个条目不会被删除。
同时，你自己都把1016错打成了1106，也请允许丁香园犯错误。

湖北省,武汉,9074,0,215,294,4109,0,252,224,2020-02-02 18:23:15.451

本条数据没有任何问题，前一条数据的治愈人数为215人，后一条数据的治愈人数为261人，如果认为这条数据有误，请说明原因。

我指的252是2月2日武汉市的治愈数据，你看的是湖北省的治愈数据，省数据 252可以认为是个正常的中间数据。但是2月2号武汉市的治愈数据，前面是138，后面是175，中间这个252就很奇怪，我觉的应该是把省的数据输错了
不过我现在统计使用一天内最后一次统计数据，不再使用最大值，现在这种问题暂时对清洗影响不大了

收到，感谢。

今天我浏览数据库，发现丁香园的数据统计有一些问题，数据有比较严重的重复现象，目前我正在解决，稍后我会更新一个版本的数据并且发布通知。

你后面说的这个武汉的数据，我会在处理完这些内容之后再仔细检查一次。

[BlankerL]

BlankerL 你好，我已将数据清洗的工作内容上传到如下地址
https://github.com/Avens666/COVID-19-2019-nCoV-Infection-Data-cleaning-

感谢，今天下午一直在维护数据库，目前已经完成。您的项目已经添加到README文件中。

[BlankerL]

目前最新的数据已经发布，具体的描述可以参考#33，建议使用最新版本的数据。

[BlankerL]

现在来回答你说的这两个数据异常：

湖北省,武汉,51986,0,4131,1426,35991,0,2286,1124,2020-02-14 08:10:27.048

武汉市当天仅有一条数据的死亡人数为1124人，剩下的都是1016人。然而，前一天的死亡数据为1036人，大于第二天的1016人。因此，死亡1124人可能是某一次统计结果，后来得到更正，并修正了前一天的错误，因此，这个条目不会被删除。
同时，你自己都把1016错打成了1106，也请允许丁香园犯错误。

湖北省,武汉,9074,0,215,294,4109,0,252,224,2020-02-02 18:23:15.451

本条数据没有任何问题，前一条数据的治愈人数为215人，后一条数据的治愈人数为261人，如果认为这条数据有误，请说明原因。

我指的252是2月2日武汉市的治愈数据，你看的是湖北省的治愈数据，省数据 252可以认为是个正常的中间数据。但是2月2号武汉市的治愈数据，前面是138，后面是175，中间这个252就很奇怪，我觉的应该是把省的数据输错了
不过我现在统计使用一天内最后一次统计数据，不再使用最大值，现在这种问题暂时对清洗影响不大了

感谢指正，这条数据已经删除，一个小时以内会在数据仓库内自动更新。