data-quality-checker
数据质检工具 —— 对表格数据执行 12 个维度的质量检测，输出每项评分（0-100）、总分和具体修复建议。
能力概览
| 维度 |
说明 |
| 缺失值检测 |
每列的空值/NaN 数量与比例 |
| 重复行检测 |
完全重复的行数与比例 |
| 数据类型一致性 |
同列中混杂不同类型（如数字列混入文字） |
| 数值范围/异常值 |
基于 IQR 方法检测离群值 |
| 格式合规性 |
日期、邮箱、手机号等字段的格式一致性 |
| 唯一性约束 |
ID 类字段是否存在重复 |
| 空白字符串 |
前后空格、空字符串、仅空白字符 |
| 常量列 |
仅含单一值的列（信息量为零） |
| 数据分布偏斜 |
数值列的偏度是否过大 |
| 列名规范性 |
列名是否含空格、特殊字符、大小写不一致 |
| 基数异常 |
唯一值数量异常（过高或过低） |
| 跨列一致性 |
日期先后、数值大小等跨列逻辑校验 |
Quick Start
# 基本质检
python3 scripts/data_quality_checker.py data.csv
# 保存报告到 JSON
python3 scripts/data_quality_checker.py data.csv --output report.json
# 指定 ID 列（用于唯一性检查）
python3 scripts/data_quality_checker.py users.csv --id-columns "user_id,email"
# 指定日期列（用于格式检查）
python3 scripts/data_quality_checker.py orders.csv --date-columns "created_at,updated_at"
详细用法
基本调用
python3 scripts/data_quality_checker.py <数据文件> [选项]
参数说明
| 参数 |
缩写 |
必填 |
默认值 |
说明 |
input |
— |
是 |
— |
输入文件路径（CSV/TSV/Excel/JSON） |
--output |
-o |
否 |
标准输出 |
输出 JSON 报告路径 |
--id-columns |
-id |
否 |
自动检测 |
应唯一的列名，逗号分隔 |
--date-columns |
-dc |
否 |
自动检测 |
日期类型的列名，逗号分隔 |
--sample |
-s |
否 |
全量 |
采样行数（大文件时使用） |
--encoding |
-e |
否 |
utf-8 |
文件编码 |
输出结构（JSON）
{
"file": "data.csv",
"rows": 10000,
"columns": 15,
"overall_score": 78.5,
"grade": "B",
"dimensions": {
"missing_values": {
"score": 85.0,
"issues": [
{"column": "age", "missing_count": 150, "missing_pct": 1.5, "suggestion": "用中位数或众数填充"}
]
},
"duplicates": {
"score": 95.0,
"issues": [...]
}
},
"top_suggestions": [
"列 age 有 1.5% 缺失值，建议用中位数填充",
"发现 200 行完全重复，建议去重"
]
}
评分标准
| 等级 |
分数范围 |
含义 |
| A+ |
95-100 |
数据质量优秀，可直接使用 |
| A |
90-95 |
质量良好，少量小问题 |
| B |
80-90 |
质量中等，建议修复后使用 |
| C |
60-80 |
质量较差，需重点清洗 |
| D |
40-60 |
质量很差，大量问题需修复 |
| F |
0-40 |
数据基本不可用，需重新采集或大规模清洗 |
依赖
pip install pandas numpy
serejaris