

很多数据分析师掌握了Excel函数、会写SQL查询，但当被问到“数据从哪里来”“数据加工有哪些步骤”“如何使用分析工具连接数据”时，却常常答不上来。其实，真正的专业能力不在于“会处理数据”，而在于“懂数据的全生命周期”。

”

引言：为什么“数据加工”是数据分析师的核心技能？

小张是一名刚入行不久的数据分析师。接手公司的销售数据分析任务后，他打开公司后台导出的订单明细表，发现数据里存在重复订单、日期格式不统一、缺少数个必要的维度字段。他花了将近一整天的时间手动清洗和整理数据，才正式进入分析阶段。

这不是个例。在企业环境中，数据资产几乎都以表结构数据形态存在——从CRM系统的用户信息表到ERP系统的订单明细表，这些数据贯穿业务全链条。理解表结构数据从“获取→加工→使用”的完整流程，是数据分析师从“会取数”进阶到“懂数据全生命周期”的必经之路。

本文将从CDA认证的知识体系出发，系统拆解表结构数据从“获取→加工→使用”的全流程，帮助你把“会做数据”进阶为“会用数据”。

一、什么是表结构数据？

在讲述获取、加工与使用之前，有必要先厘清一个核心问题：什么是表结构数据？

表结构数据是指以字段或记录作为数据的引用、操作及计算基本单位的数据。简单来说，表结构数据的基本处理单位是“整列”或“整行”，而不是像Excel单元格那样的单个格子。

表结构数据的关键特征：

• 字段：整列数据，代表一个业务属性（如“订单金额”列）
• 记录：整行数据，代表一个业务事件（如一笔订单）
• 字段名不能重复，一个字段只能有一种数据类型
• 所有字段的记录行数相同

这与表格结构数据（以单元格为基本处理单位）有所不同。表格结构数据适用于小规模、灵活性高的分析场景，而表结构数据面向海量数据、批量处理的需求。在实际工作中，两者的关系通常是：



业务系统（CRM、ERP等）→ 数据库（表结构数据）→ 导出为Excel文件（表格结构数据）→ 分析工具中进行处理

”

理解这一关系，有助于在不同工作环节选择合适的数据形态进行分析。

二、数据获取：从源头保障数据“真、全、准”

数据获取是表结构数据价值挖掘的起点，核心目标是“快速、准确、完整地收集业务所需数据”。CDA分析师通过“多源整合+质量预判+自动化工具”，从源头保障数据可用性。

1. 数据获取的核心原则

在获取表结构数据时，需坚守三大核心原则：

2. 数据获取的三大渠道

表结构数据的来源分为“内部系统”“手动协作”“多源整合”三类：

① 企业后台数据库系统（最常用）

从企业ERP、CRM、进销存等业务系统导出表结构数据（如销售表、用户表、库存表）。分析师在导出后首先校验表头完整性（如销售表需包含“日期、产品ID、销量、营收”核心表头），核对数据格式（日期为YYYY-MM-DD、数值为纯数字），快速排查“表头缺失、格式混杂”等问题。

② 手动整理录入（小批量数据）

针对无系统记录的小批量数据（如线下门店手工台账），需手动搭建规范表结构，再完成数据录入。实操时先设计标准表头（如线下考勤表：日期、姓名、部门、考勤状态），明确每列数据类型，录入时实时校验，避免录入错误。

③ 多源数据整合获取

从多个系统导出表结构数据，整合为一张完整的数据表，用于后续分析。

3. 数据获取后的初步校验

数据导出并非终点。分析师在获取阶段就应执行第一轮数据质量初筛：

• 表头校验：确认核心表头是否齐全
• 格式校验：核对日期格式、数值格式是否统一
• 异常标记：快速排查并标注待后续加工时统一处理

三、数据加工：从“混乱”到“有序”

数据加工是对表结构数据进行清洗、转换、整合、校验，使其符合分析标准的过程。

1. 数据清洗——去除“杂质”

数据清洗需要解决四类关键问题：

缺失值的处理逻辑：

• 产生原因：数据采集埋点缺失、系统传输中断、业务记录不完整等
• 处理策略：删除含缺失值的记录、用均值/中位数填充、或从其他字段估算

实操要点：考试中常考察不同缺失值处理策略的适用场景，需根据业务含义选择合适的处理方法。

2. 数据转换——让数据“对得上”

数据转换解决“同一业务实体在不同数据源中表现形式不同”的问题：

• 数据类型转换：将文本型日期转换为日期型
• 字段拆分/合并：如将“省-市”拆分为两列，或合并为完整地址
• 编码标准化：将“北京”“BJ”“Beijing”统一为统一编码

3. 数据整合——打通多源数据

这是表结构数据加工的核心环节。

横向合并（JOIN） ：通过主键/外键将两个表关联起来。例如，订单表通过“用户ID”关联用户表，补充用户的地区信息。在横向合并两个数据表时，对应关系决定合并结果的准确性。

纵向合并（UNION） ：将结构相同或相似的表上下拼接。例如，合并多个月份的数据表。

多表合并的核心逻辑：在多表连接环境下，需要先绘制E-R图梳理数据表间的关系。连接方向与对应关系决定了汇总结果的正确性。

4. ETL操作的落地

ETL（抽取-转换-加载）是CDA分析师高效完成数据加工的核心工具：

ETL的核心价值在于将分散在各个业务系统中的异构数据整合为统一格式，加载到数据仓库中供分析使用。

5. 数据校验——确保质量

数据加工完成后，必须进行质量校验：

• 检查行数是否符合预期
• 检查关键字段的空值率是否在可接受范围
• 抽样验证数据准确性

四、数据使用：从“加工后数据”到“业务洞察”

数据加工完成后，如何“使用”这些数据，是“表结构数据获取、加工与使用”的最终落脚点。CDA大纲要求能够计算两表横向合并汇总值。

1. 数据使用的核心方式

2. 表结构数据使用的注意事项

在表结构数据中，很难对某一特定单元格值进行单独的处理与分析，至少会影响一整列或一整行。这意味着：

• 操作粒度以字段或行记录为单位，而非单元格
• 一个字段只能有一种数据类型
• 引用方式应以连接关系为主导，建立数据模型而非直接操作单元格

表结构数据分析工具通常用于分析和处理已有的数据，而不自行生成数据。获取数据的方式有多种，其中“引用”是最合适的方式之一。

3. 数据使用的闭环价值

表结构数据作为结构化数据的核心载体，其“获取-加工-使用”全流程，是CDA数据分析师开展专业工作的核心链路。表结构数据的价值实现依赖“获取（源头）-加工（提纯）-使用（落地）”三大环节。CDA的价值体现在：

• 从数据源头出发：规范获取表结构数据
• 精准完成数据加工：确保数据质量与一致性
• 高效落地数据使用：让数据转化为支撑业务决策的核心洞察

五、实战演练：从业务需求出发的完整数据路径

背景

某电商平台需要分析近半年A品类商品的销售趋势，并按季度输出报表。数据存储在三个核心数据表中：

完整操作流程

第一阶段：数据获取

• 从ERP系统导出近半年的订单数据，校验表头完整性（确认包含订单ID、订单日期、订单金额等核心字段）
• 从商品管理系统导出商品信息表
• 确认三张表的关联字段：订单表与订单明细表通过“订单ID”关联，订单明细表与商品表通过“商品ID”关联
• 遵循规范性、完整性、相关性三大原则，确保获取的数据符合分析要求

第二阶段：数据加工

1. 清洗：检查订单表中是否存在重复记录，基于主键“订单ID”去重；排查订单金额为负的异常值
2. 转换：将订单日期统一格式，确保可以进行时间分组
3. 整合：通过商品ID从商品表中关联商品品类字段，筛选出品类为“A品类”的记录；通过用户ID从用户表中补充用户信息
4. 校验：确认加工后的数据行数与原始订单表一致，关键字段空值率低于可接受阈值

第三阶段：数据使用

1. 将加工好的数据导入BI工具中，按季度对订单金额进行分组汇总
2. 生成季度销售趋势图，对比各季度的同比和环比变化
3. 输出分析报表，定位销售波动的高点和低点，为供应链备货和营销活动提供数据支撑



这就是一套完整的“数据获取 → 数据加工 → 数据使用”实战流程。掌握了表结构数据全流程的能力，才能让静态的数据真正开口说话。

”

结尾

很多数据分析师会写SQL、会用BI工具，但当被问到“数据加工的核心流程是什么”“多表合并时为什么会出现数据重复”“数据源变更后如何让分析结果同步更新”时，却答不上来。

会用工具完成某一步操作是基础，从“获取→加工→使用”全流程系统性地把控数据质量，才是CDA数据分析师真正的专业核心能力体现。

2025年新考纲进一步强化了对应用能力的测试，更侧重考查考生工作中的实际应用技能。表结构数据获取、加工与使用作为PART 5的核心内容，不仅贯穿数据分析的全流程，更是从业务系统原始数据走向商业洞察的必经之路。

表结构数据作为结构化数据的核心载体，其“获取-加工-使用”全流程，是CDA数据分析师开展专业工作的核心链路。CDA的核心价值，并非单纯解读数据，而是从数据源头出发，规范获取表结构数据、精准完成数据加工、高效落地数据使用，让零散的表结构数据转化为支撑业务决策的核心洞察。

下一步行动：

1. 梳理你当前工作中数据获取的主要渠道，建立自己的数据源清单
2. 为常用分析流程设计一套数据加工规范（清洗→转换→整合→校验）
3. 练习使用BI工具的Power Query模块完成一次多源数据清洗和合并操作



数据的价值不在于它可以被存储，而在于你有足够的能力去获取、加工它，并让它为业务决策创造价值。

”

推荐学习书籍 《CDA一级教材》适合CDA一级考生备考，也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校，累计已有10万+在读~ !

免费加入阅读：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0