現在先介紹一下所用的資料集，該資料集是從日本雅虎電影網站爬取的電影評分資料集，共有225045條，18列。

真正有用的只有電影名，使用者名稱，總體評分，和

等5個準則的評分值。

現在想要的預處理結果是：

1，將不需要的列刪去，

2，將含NULL值的記錄刪去，刪除重複行

3，將整體評分的分值調整為0-5，

4，對電影和使用者名稱進行編號，分別從1到N，

5，統計預處理後資料集資訊。

=========================

首先用Excel完成這個過程。

1，手動刪去不需要的列。由於B列和C列是同樣資料的不同形式，D列和E列也是同樣資料的不同形式，就選擇保留數值較少的列。於是保留B和E列。B列是電影，E列是使用者名稱。

2，使用篩選功能，對存在NULL的列進行篩選，然後刪去所有包含NULL的行。一共刪除了17108條記錄。

之後，用刪除重複項的功能，刪除掉所有的列都相同的資料。

3，對整平評分的列進行處理，將評分範圍調整到0-5，這就需要將total列每個數值都除20。在total列的旁邊插入一列，然後在第一個單元格里輸入=C2/20，之後回車就得到了第一個除之後的值。再雙擊該單元格的右下角，就可以自動填充該列所有的單元格，也就得到了想要的資料。刪除不需要的C列即可。（在刪除C列之前，複製D列並直接貼上到原位置，選擇只保留值，這樣就清除了公式，刪除C不會對D造成影響。）

4，（寫在這一步之前，考慮到Excel的處理速度，為了不浪費時間，將第3步之後的資料只保留前2W條，進行後續操作的演示）

給電影和使用者名稱新增從1開始到N的數字ID，替換掉電影名和使用者名稱。

先做電影的，將movie列整體複製到表格後方，再在相鄰的列命名一個movieID列。之後使用刪除重複值的按鈕，刪除新的movie列的重複值，然後在O列前三個單元格分別填上123，之後雙擊填充到整列。

在此之後，就要用vlookup函式，為A列，也就是完整的電影名列進行數字ID匹配。

在A列後插入一列新單元，命名為movieid。

在該movieid列的第二個單元格，輸入vlookup函式。如圖：

後面的單元格，只需要雙擊B2的右下角自動填充即可。從圖中可以看到，已經完成了所有movie列的數字ID賦值。

對於使用者名稱列，採用同樣的方法即可得到結果。

（相應的，一定要把通過公式得到的列複製再貼上，選擇只保留數值，否則刪除後面的列的時候前面的值就沒有了。）

5，統計預處理後的資料集的資訊。

首先，先發一個處理好的資料集圖。

到這一步之後，用資料透視表對資料集的資訊進行統計。

因為評分資料主要是用在後面的多準則推薦演算法中的，在這裡對它們進行統計沒有任何意義，故只對電影和使用者名稱進行統計。

主要是看有多少條目，每個條目出現的次數。

可以看到，經過擷取後的資料，一共還有1016部電影，6018個使用者。

到此，一個基本的資料預處理已經完成了，可以被之後的演算法研究所使用。

下一篇文章，將講述如何用MySQL實現同樣的操作。