脏数据排查需分类型处理：NULL与空字符串混用须用IS NULL或TRIM()识别；数值型字段用正则或SAFE_CAST过滤非法值；时间字段检查非法日期格式；通过GROUP BY+HAVING发现异常分布。
查 NULL 和空字符串混用的字段
很多脏数据源于业务逻辑没约束好，NULL 和 ''（空字符串）被当成同义词乱用。比如用户姓名字段本该非空，结果既有 NULL，又有 ''，甚至还有只含空格的值。
- 用
WHERE name IS NULL OR TRIM(name) = ''快速定位这类混合状态 -
TRIM()很关键——不清理空格就漏掉' '这类隐形脏数据 - 注意：mysql 的
'' = NULL永远为 false，不能用= NULL判断，必须用IS NULL
识别数值型字段里的非数字内容
当一个定义为 int 或 DECIMAL 的列实际存了 'N/A'、'--'、'未知'，数据库可能隐式转成 0 或报错，但数据语义已丢失。
- postgresql 可用
NOT num_col ~ '^[0-9]+.?[0-9]*$'正则过滤非法值（注意小数点和负号需扩展） - MySQL 8.0+ 支持
regexp，老版本只能靠CAST(num_col AS SIGNED)配合num_col != CAST(num_col AS SIGNED)粗筛（有精度损失） - 更稳的做法是建视图或临时表，用
TRY_CAST（SQL Server）或SAFE_CAST（BigQuery）兜底，避免查询直接失败
找时间字段中的非法日期
date 或 DATETIME 字段里塞进 '2023-02-30'、'0000-00-00'、'9999-99-99' 是典型脏数据，MySQL 在严格模式下会拒绝，但兼容模式下可能存成 '0000-00-00' 并静默吞掉错误。
- MySQL 查非法日期：
WHERE date_col '9999-12-31' OR date_col = '0000-00-00' - PostgreSQL 更严格，但仍有
'infinity'或'-infinity'可能混入，需单独排除 - 别依赖
IS DATE这类函数——标准 SQL 没这个语法，各库实现不一，容易误判
用 GROUP BY + HAVING 暴露重复/异常分布
有些脏数据不靠单条记录能看出，得看整体分布。比如「用户等级」字段理论上只有 1~5，结果 GROUP BY level HAVING COUNT(*) > 0 却扫出 level = 999 或 -1。
- 先跑
select level, count(*) FROM users GROUP BY level ORDER BY COUNT(*)，一眼看出离群值 - 配合
HAVING COUNT(*) 找低频异常值（如拼写错误的枚举项'gold'和'Gold'算两个） - 字符串字段记得加
LOWER()或COLLATE utf8mb4_0900_as_cs控制大小写敏感性，否则'VIP'和'vip'会被当成不同值漏检
真实生产环境里，脏数据往往藏在「看起来合法」的边界上：比如手机号字段全是 11 位数字，但开头是 170（虚拟运营商号段）或 000（明显伪造），这种得结合业务规则再筛。自动化脚本容易忽略大小写、全半角、不可见字符（如 U+200B 零宽空格），人工抽检仍不可替代。