现在先介绍一下所用的数据集，该数据集是从日本雅虎电影网站爬取的电影评分数据集，共有225045条，18列。
真正有用的只有电影名，用户名，总体评分，和
| story | role | show | image | music |
等5个准则的评分值。
现在想要的预处理结果是：
1，将不需要的列删去，
2，将含NULL值的记录删去，删除重复行
3，将整体评分的分值调整为0-5，
4，对电影和用户名进行编号，分别从1到N，
5，统计预处理后数据集信息。
=========================
首先用Excel完成这个过程。
1，手动删去不需要的列。由于B列和C列是同样数据的不同形式，D列和E列也是同样数据的不同形式，就选择保留数值较少的列。于是保留B和E列。B列是电影，E列是用户名。
2，使用筛选功能，对存在NULL的列进行筛选，然后删去所有包含NULL的行。一共删除了17108条记录。
之后，用删除重复项的功能，删除掉所有的列都相同的数据。
3，对整平评分的列进行处理，将评分范围调整到0-5，这就需要将total列每个数值都除20。在total列的旁边插入一列，然后在第一个单元格里输入=C2/20，之后回车就得到了第一个除之后的值。再双击该单元格的右下角，就可以自动填充该列所有的单元格，也就得到了想要的数据。删除不需要的C列即可。（在删除C列之前，复制D列并直接粘贴到原位置，选择只保留值，这样就清除了公式，删除C不会对D造成影响。）
4，（写在这一步之前，考虑到Excel的处理速度，为了不浪费时间，将第3步之后的数据只保留前2W条，进行后续操作的演示）
给电影和用户名添加从1开始到N的数字ID，替换掉电影名和用户名。
先做电影的，将movie列整体复制到表格后方，再在相邻的列命名一个movieID列。之后使用删除重复值的按钮，删除新的movie列的重复值，然后在O列前三个单元格分别填上123，之后双击填充到整列。
在此之后，就要用vlookup函数，为A列，也就是完整的电影名列进行数字ID匹配。
在A列后插入一列新单元，命名为movieid。
在该movieid列的第二个单元格，输入vlookup函数。如图：
后面的单元格，只需要双击B2的右下角自动填充即可。从图中可以看到，已经完成了所有movie列的数字ID赋值。
对于用户名列，采用同样的方法即可得到结果。
（相应的，一定要把通过公式得到的列复制再粘贴，选择只保留数值，否则删除后面的列的时候前面的值就没有了。）
5，统计预处理后的数据集的信息。
首先，先发一个处理好的数据集图。
到这一步之后，用数据透视表对数据集的信息进行统计。
因为评分数据主要是用在后面的多准则推荐算法中的，在这里对它们进行统计没有任何意义，故只对电影和用户名进行统计。
主要是看有多少条目，每个条目出现的次数。
可以看到，经过截取后的数据，一共还有1016部电影，6018个用户。
到此，一个基本的数据预处理已经完成了，可以被之后的算法研究所使用。
下一篇文章，将讲述如何用MySQL实现同样的操作。