1.问题
解决对于繁杂的CT图片的处理（ETL）问题？
针对哪些问题来说？
问题的难点：关于如何解决非结构化数据的ETL过程（关键的是你想要怎样的CT图片），在这个基础上继续的改进
2.背景
a.为什么要做这个研究
b.当前这个研究前人们都是怎么做的
c.项目的难点在哪里？该项目的意义是什么？
d.未来的研究会是怎么样的，我要做成什么样子？
3.所用技术/数据
a.数据源：来自医学的相关CT图片以及工业上的CT图片或者其他
b.数仓建设技术，数据处理技术，数学理论技术支持
4.研究方案和步骤
设计一个能够分类的系统？（关键是要把不同系统的的图片提取共性，方便查看和研究）
针对医学图片数据，你要做裁剪，突出，提取关键信息
抽取：数据来源
处理：数据的裁剪，突出，提取关键信息 或者分类
转换：CT图片能够转换成啥呢？
加载：把处理好的数据加载到数仓中
……
5.系统搭建:空
6.测试与使用:空
前人的建议：如何才能做好ETL？
1.数据抽取设计
数据的抽取需要在调研阶段做大量工作，要搞清楚以下几个问题：数据是从几个业务系统中来？各个业务系统的数据库服务器运行什么DBMS？是否存在手工数据，手工数据量有多大？是否存在非结构化的数据？等等类似问题，当收集完这些信息之后进行数据抽取的设计。常见的数据抽取设计方式有四种：
（1）与存放DW的数据库系统相同的数据源处理方法
这一类数源在设计比较容易，一般情况下，DBMS(包括SQLServer，Oracle)都会提供数据库链接功能，在DW数据库服务器和原业务系统之间建立直接的链接关系就可以写Select 语句直接访问。
（2）与DW数据库系统不同的数据源的处理方法
这一类数据源一般情况下也可以通过ODBC的方式建立数据库链接，如SQL Server和Oracle之间。如果不能建立数据库链接，可以有两种方式完成，一种是通过工具将源数据导出成.txt或者是.xls文件，然后再将这些源系统文件导入到ODS中。另外一种方法通过程序接口来完成。
（3）对于文件类型数据源（.txt，.xls）
可以培训业务人员利用数据库工具将这些数据导入到指定的数据库，然后从指定的数据库抽取。或者可以借助工具实现，如SQL SERVER 2005 的SSIS服务的平面数据源和平面目标等组件导入ODS中去。
（4）增量更新问题
对于数据量大的系统，必须考虑增量抽取。一般情况，业务系统会记录业务发生的时间，可以用作增量的标志，每次抽取之前首先判断ODS中记录最大的时间，然后根据这个时间去业务系统取大于这个时间的所有记录。利用业务系统的时间戳，一般情况下，业务系统没有或者部分有时间戳。
2.数据清洗处理规范
不符合要求的数据主要有不完成数据（缺失值）、错误数据（异常值）、重复数据、不同类型需归一化处理数据几类。几类数据的处理方法如下：
缺失值：不完整的数据，其特征是是一些应该有的信息缺失，如供应商的名称，分公司的名称，客户的区域信息缺失、业务系统中主表与明细表不能匹配等。需要将这一类数据过滤出来，按缺失的内容分别采取定（范围）删（字段）补（数据）。
定范围：哪些字段缺失，缺失范围如何，缺失字段的重要性如何？删字段：删数据的判断，a\对业务清晰的判断，b\“有心杀贼，无力回天”缺失数据太多。这时候可以看看是否有其他数据可以弥补。补数据：就是补充缺失值。这里有三种补数据的方式：A、业务知识惊讶填充；B、使用均值、中位数、众数填充；C、使用其他渠道补充，如身份证前6位是地区=手机号归属地。补全后才写入数据仓库。
异常值：产生原因是业务系统不够健全，在接收输入后没有进行判断直接写入后台数据库造成的，比如数值数据输成全角数字字符、字符串数据后面有一个回车、日期格式不正确、日期越界等。这一类数据也要分类，对于类似于全角字符、数据前后有不面见字符的问题只能写SQL的方式找出来，然后要求客户在业务系统修正之后抽取；日期格式不正确的或者是日期越界的这一类错误会导致ETL运行失败，这一类错误需要去业务系统数据库用SQL的方式挑出来，交给业务主管部门要求限期修正，修正之后再抽取。
重复数据：特别是维表中比较常见，将重复的数据的记录所有字段导出来，让客户确认并整理。
数据归一化：归一化的问题，就是将绝对数变成相对数的问题。因为不同维度的绝对数是没有可比性的，这时候需要将绝对数转化成相对一个标准的相对数。那如何进行归一化处理呢？三种方式，A、最值归一化、均值方差归一化、非线性归一化。
数据清洗是一个反复的过程，不可能在几天内完成，只有不断的发现问题，解决问题。对于是否过滤、是否修正一般要求客户确认；对于过滤掉的数据，写入Excel文件或者将过滤数据写入数据表，在ETL开发的初期可以每天向业务单位发送过滤数据的邮件，促使他们尽快的修正错误，同时也可以作为将来验证数据的依据。数据清洗需要注意的是不要将有用的数据过滤掉了，对于每个过滤规则认真进行验证，并要用户确认才行。
3.数据转换处理规范
数据转换的任务主要是进行不一致的数据转换、数据粒度的转换和一些商务规则的计算。
（1）不一致数据转换，这个过程是一个整合的过程，将不同业务系统的相同类型的数据统一，比如同一个供应商在结算系统的编码是XX0001，而在CRM中编码是YY0001，这样在抽取过来之后统一转换成一个编码。
（2）数据粒度的转换，业务系统一般存储非常明细的数据，而数据仓库中的数据是用来分析的，不需要非常明细的数据，会将业务系统数据按照数据仓库粒度进行聚合。一般数据转换有离散化和属性构造两种方式。离散化主要分为简单离散、分桶离散、聚类离散、回归平滑四类，属性构造分为特征工程和随意构造后筛选。
（3）商务规则的计算，不同的企业有不同的业务规则，不同的数据指标，这些指标有的时候不是简单的加加减减就能完成，这个时候需要在ETL中将这些数据指标计算好了之后存储在数据仓库中，供分析使用。
4.ETL日志与警告发送
（1）ETL日志
记录日志的目的是随时可以知道ETL运行情况，如果出错了，出错在那里。ETL日志分为三类。①执行过程日志，是在ETL执行过程中每执行一步的记录，记录每次运行每一步骤的起始时间，影响了多少行数据，流水账形式。②是错误日志，当某个模块出错的时候需要写错误日志，记录每次出错的时间，出错的模块以及出错的信息等。③日志是总体日志，只记录ETL开始时间，结束时间是否成功信息。
如果使用ETL工具，工具会自动产生一些日志，这一类日志也可以作为ETL日志的一部分。
（2）警告发送
ETL出错了，不仅要写ETL出错日志而且要向系统管理员发送警告，发送警告的方式有多种，常用的就是给系统管理员发送邮件，并附上错误信息，便于管理员排查。