数据挖掘中的数据预处理方法总结

浅夏110

1.原始数据存在的几个问题：不一致；重复；含噪声；维度高。
/ Q( U- \3 M3 C# z+ `7 H( \
( r  h- A* W% R) {  X; M' H2.数据预处理包含数据清洗、数据集成、数据变换和数据归约几种方法。
7 F6 b: M2 u7 c9 x% w
3.数据挖掘中使用的数据的原则

; s; R4 b/ w. s# R应该是从原始数据中选取合适的属性作为数据挖掘属性，这个选取过程应参考的原则是：尽可能赋予属性名和属性值明确的含义；统一多数据源的属性值编码；去除惟一属性；去除重复性；去除可忽略字段；合理选择关联字段。

+ Q" x$ t! v" l. P4.处理空缺值的方法：忽略该记录；去掉属性；手工填写空缺值；使用默认值；使用属性平均值；使用同类样本平均值；预测最可能的值。

5.噪声数据的处理方法：分箱；聚类；计算机和人工检查结合；回归
  V3 L+ N* U) `4 h0 v
2 P7 y5 @9 G( `$ C. F: u/ L6.分箱：分箱方法是一种简单常用的预处理方法，通过考察相邻数据来确定最终值。所谓“分箱”，实际上就是按照属性值划分的子区间，如果一个属性值处于某个子区间范围内，就称把该属性值放进这个子区间所代表的“箱子”内。把待处理的数据（某列属性值）按照一定的规则放进一些箱子中，考察每一个箱子中的数据，采用某种方法分别对各个箱子中的数据进行处理。在采用分箱技术时，需要确定的两个主要问题就是：如何分箱以及如何对每个箱子中的数据进行平滑处理。
" @) m* `6 _* @" D
分箱的方法：有4种：等深分箱法、等宽分箱法、最小熵法和用户自定义区间法。

# z; K9 B" H  W! W: l  ~8 v! o( u统一权重，也成等深分箱法，将数据集按记录行数分箱，每箱具有相同的记录数，每箱记录数称为箱子的深度。这是最简单的一种分箱方法。

统一区间，也称等宽分箱法，使数据集在整个属性值的区间上平均分布，即每个箱的区间范围是一个常量，称为箱子宽度。
/ G" _4 p' N1 d$ E5 U
用户自定义区间，用户可以根据需要自定义区间，当用户明确希望观察某些区间范围内的数据分布时，使用这种方法可以方便地帮助用户达到目的。

例：客户收入属性income排序后的值（人民币元）：800 1000 1200 1500  1500 1800 2000 2300 2500 2800 3000 3500 4000 4500 4800 5000，分箱的结果如下。
9 y7 H3 V1 ]8 h/ j7 u
3 j7 f5 E& H# m6 W; [统一权重：设定权重（箱子深度）为4，分箱后

, J# x5 J9 X& x箱1：800 1000 1200 1500
  L: c3 A7 a8 Q9 x, Q* J) P
箱2：1500 1800 2000 2300
6 w# ?% B6 s/ m6 A& ?- @
6 [4 [6 i: Y' m" t* {' J+ ~+ O1 ^5 Y箱3：2500 2800 3000 3500

箱4：4000 4500 4800 5000   

统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后

5 U  m( o! n! w箱1：800 1000 1200 1500 1500 1800
% Q$ z8 b  g' _- ^1 z/ o
箱2：2000 2300 2500 2800 3000

箱3：3500 4000 4500

, B! S# ~0 x  |$ I9 {箱4：4800 5000
- p! S# R5 |. V! [2 R" \, k
用户自定义：如将客户收入划分为1000元以下、1000~2000、2000~3000、3000~4000和4000元以上几组，分箱后
6 y# x( Z3 S6 R
4 D. j7 c' O2 w; d( t$ U4 T8 E箱1：800

箱2：1000 1200 1500 1500 1800 2000
+ Q: A* ?2 g: q) ~3 ?! p3 z
1 D0 r$ B7 ~  \# t. Z8 v9 U7 \% q5 M; ?! w箱3：2300 2500 2800 3000  
2 v5 U/ N+ h6 _: C
箱4：3500 4000
- r2 _) M2 C' f( t* _
箱5：4500 4800 5000

6 K- K& y3 ^4 H: E1 v7.数据平滑方法：按平均值平滑、按边界值平滑和按中值平滑。

; _  {% p! R1 K⑴按平均值平滑
0 I' @9 s5 z8 d4 w4 s
+ O! ]1 \( X6 R* r+ p' U& g9 J6 Z对同一箱值中的数据求平均值，用平均值替代该箱子中的所有数据。
3 i" W$ q/ `: _# M, D% U4 s
- U# ?- W* \! j⑵按边界值平滑
# l7 [' M3 I! G" |
+ P9 g# }; J/ C& V/ W用距离较小的边界值替代箱中每一数据。

⑶按中值平滑

! O4 M# [) e5 ], O6 E2 \  d取箱子的中值，用来替代箱子中的所有数据。
6 L/ F. [' `& m7 [+ o1 H( A
, R6 `' L; l1 b; y( e8.聚类：将物理的或抽象对象的集合分组为由类似的对象组成的多个类。

找出并清除那些落在簇之外的值（孤立点），这些孤立点被视为噪声。

9.回归；试图发现两个相关的变量之间的变化模式，通过使数据适合一个函数来平滑数据，即通过建立数学模型来预测下一个数值，包括线性回归和非线性回归。   

10.数据集成：将多文件或者多数据库中的异构数据进行合并，然后存放在一个一致的数据存储中。考虑以下几个问题： 1.模式匹配2.数据冗余3.数据值冲突
# g& u! K' J: t5 f# [
11. 数据变换：1.平滑2.聚集3.数据概化4.规范化（1）最小-最大规范化（2）零-均值规范化（3）小数定标规范化5.属性构造

12.数据集成：将多文件或者多数据库中的异构数据进行合并，然后存放在一个一致的数据存储中。考虑以下几个问题： 1.模式匹配2.数据冗余3.数据值冲突

7 E! V/ `7 u8 R# U13.数据归约：目的是为了获得比原始数据小的多的，但不破坏数据完整性的挖掘数据集，该数据集可以得到与原始数据相同的挖掘结果。
# m$ ^8 u0 z+ A' U8 P
3 c6 |% G/ Q7 L1 X: Z5 X数据归约的方法： 1.数据立方体聚集：把聚集的方法用于数据立方体。2.维归约：检测并删除不相关、弱相关或冗余属性。3.数据压缩：选择正确的编码压缩数据集。4.数值压缩：用较小的数据表示数据，或采用较短的数据单位，或者用数据模型代表数据。5.离散化和概念分层生成：使连续的数据离散化，用确定的有限个区段值代替原始值；概念分层是指用较高层次的概念替换低层次的概念，以此来减少取值个数。
4 k6 u( P; X! }" b1 A4 Z$ Y. J& M) X
14.数据立方体聚集 ：是数据的多维建模和表示，由维和事实组成。

维归约：去掉不相关的属性，减少数据挖掘处理的数据量。

& V  M7 p% U) U1 W2 S; H( Y属性子集选择的基本方法包括以下几种： 1.逐步向前选择2.逐步向后删除3.向前选择和向后删除结合4.判定树归纳5.基于统计分析的归约   
( Q0 l6 z( d+ ]+ \4 |
, i1 i# ~5 n; y/ D- N4 L5 T% t! W6 P! n数据压缩：方法分为两类：无损压缩和有损压缩

数值归约常用的方法: 1.直方图2.聚类3.抽样：不放回简单随机抽样、放回简单随机抽样、聚类抽样和分层抽样4.线性回归5.非线性回归     

$ a* \& T/ {5 G3 }- S. \15.数据变换涉及以下几个方面：1.平滑2.聚集3.数据概化4.规范化（1）最小-最大规范化（2）零-均值规范化（3）小数定标规范化5.属性构造

*规范化：(1)最小—最大规范化。原取值区间 [old_min，old_max]，规范化后的新的取值区间[new_min，new_max]。

7 ^4 y  ^/ L0 S/ nx’=  其中：x是属性的真实值，x’是规范化后的值。
7 u9 g5 S( n/ \% p
5 R. H, G4 Q$ o1 u# z例如：“客户背景数据”表中的客户月收入income属性的实际值范围为[12000，98000]，要把这个属性值规范到[0，1]，对属性值73600应用上述公式：
$ C3 D+ y3 k7 q& X/ E
# B; g/ h' s9 z6 H. i+ ?x’=(1.0-0)+0=0.716
7 m" G% E4 y8 N5 G0 ]) H
根据精度要求保留小数（假设精度要求0.01），最终取值0.72就是属性值73600规范化后的值。

(2)零—均值规范化（z—score规范化），是根据属性值的平均值和标准差进行规范化，即：
+ \. P$ I/ R" j7 P' v  T8 m, l& m
x’=   =  =    为所有样本属性值的平均值，为样本的标准差。当属性值范围未知的时候，可以使用此方法进行规范化。
; w4 t9 G% y+ _) }
1 w. e. F! Q  g; A0 t+ B$ A8 D    例：假设某属性的平均值和标准差分别为80、25，采用零－均值规范化66为：x’==-0.56
$ ^6 h+ B( Q9 a& ^) d5 R6 ^
(3)小数定标规范化：通过移动属性A的小数点位置进行规范化 。

' u* g% S+ B9 q( ?/ x& L7 y# Qx’= 为满足式<1的最小整数。
6 G" |5 s$ M+ X( v3 X: V
4 ]/ [4 a8 _' M5 C3 q例：假设某属性规范化前的取值范围为[-120，110]，采用小数定标规范化66。由于该属性的最大绝对值为120，则由<1可得出=3，因此，66规范化后为：x’==0.066
————————————————
/ G' d/ k2 B- q5 i版权声明：本文为CSDN博主「搬砖老头」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956

, S& \9 d# [, ?' o6 o0 s8 \& y

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
  W$ j. \  ~  ]$ o) v6 p

德古拉

good content but bad edition~
2 {% J0 h3 k8 f, H: O

浅夏110

huangyanzuo 发表于 2020-5-19 12:06
$ v! u# v' y- J" c* P5 E0 h3 H棒！棒！棒！棒！棒！棒！棒！棒！

9 E, W1 J3 Y9 g; W1 Z
9 L/ g! K$ ]3 M

浅夏110

浅夏110 发表于 2020-5-21 11:36

, v$ e4 }) f) S: w
* e) E# \3 ~2 [: x& X9 ]0 C