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。

- A; b7 j, i! M2.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。
1 Q$ l7 Q& E0 b7 A( _6 B4 |- |* ?' e. g
* A$ }/ s7 ?& D3 {, B# Y7 @2 f3.数据挖掘中使用的数据的原则
( r* n+ Z: ^! c
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。
4 a" P$ e2 |) R, @$ S4 n
4.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。
7 L6 W0 f/ Y4 {5 x
- d, C8 X6 L$ m) T; {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

6.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。

, Q8 c$ `# Q. E+ X9 Q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。

) {* I. v) Q$ j6 o/ N7 ~6 D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。

; ~- \4 ~4 {4 |6 l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。
4 }) F: u7 T4 F
* ~1 o) d. B" `, r  A8 W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。

6 \. k, t% T* V3 r4 Q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。
. g8 Y5 Y. D  _
( K7 R8 z& y( l7 T0 q统一权重：设定权重（箱子深度）为4，分箱后
8 `% ?0 v0 K7 s7 m6 |6 ]  C  A6 a
箱1：800 1000 1200 1500

箱2：1500 1800 2000 2300

箱3：2500 2800 3000 3500
" e1 u1 T0 ?" y( V
箱4：4000 4500 4800 5000   

! Q9 g+ K. @$ x" F统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后
, D. {. ?+ A- A& b
6 M/ ]8 H5 b9 @+ E箱1：800 1000 1200 1500 1500 1800

箱2：2000 2300 2500 2800 3000

箱3：3500 4000 4500
+ A0 F  T' [. @' l1 Z: s
, x( D. u! m! ~箱4：4800 5000

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
& P' S4 c7 T& r  y0 c0 k
箱1：800

箱2：1000 1200 1500 1500 1800 2000
9 Y. m. P6 w* ~1 F
* U4 {3 Q  E) J- U! S箱3：2300 2500 2800 3000  
% W# N( d$ ^+ |+ j' t; n
箱4：3500 4000
& X7 O* p/ }  d" G$ X( S
箱5：4500 4800 5000

7.数据平滑方法：按平均值平滑、按边界值平滑和按中值平滑。

⑴按平均值平滑
6 A: I9 {1 c1 K
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。

* _2 h5 c7 }  T6 Z⑵按边界值平滑
9 R7 y: N% |" O8 \4 z2 ]9 y; b
用距离较小的边界值替代箱中每一数据。

⑶按中值平滑

取箱子的中值，用来替代箱子中的所有数据。
+ o) t. M" L+ E( S
" c4 i$ d2 E- V' V8.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。   
) L5 D( @1 U+ j
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
+ s0 `7 Z/ K) s! d2 a$ Q, L
- X1 h0 v' e2 _  C# w( h11. 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
+ j5 u- D$ U6 n' l) ]
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
# ~6 e. t/ {' R) s9 h, E, [
! J( Q4 z" r- p+ B& t2 m0 H; {13.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。
# k, l! Z9 c& }+ ?
% W6 Y0 g  c6 R" c* 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。
9 _; i1 A/ R" ~8 T* D" L8 @
; o, d; m4 {; v. @6 k% V14.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。
: z. S7 [5 i- G1 h& u
维归约：去掉不相关的属性，减少数据挖掘处理的数据量。
4 v. R$ U% w4 R7 P8 d
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   

; ?9 e5 d3 j: U( Q数据压缩：方法分为两类：无损压缩和有损压缩
' {4 Q/ \& T9 z% {5 a
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     
+ Z  R" e. f2 L: 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
8 U# T: q1 i! V3 u7 U" g# z
: x7 G- [( a2 G- W" _*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]。

x’=  其中：x是属性的真实值，x’是规范化后的值。
9 I$ X4 Y! M  ]9 g& M( J1 o
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：

x’=(1.0-0)+0=0.716

" w) A, V- a8 E7 `3 s% k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。
/ w2 P- E% \5 P
(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：
' a) O- ?5 E1 \1 a2 P( {
1 [) G0 z3 y6 ]: H" p% tx’=   =  =    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。
- V. o+ S" d  o7 a8 y( Z' K
    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
# G" v" G0 B; T+ ~4 W6 h6 B
7 o. O7 V9 z+ H6 [, J(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 。

' M1 A( [7 Q8 Y6 q+ R* G. V! Px’= 为满足式<1的最小整数。
* o9 d/ S/ Q2 `
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
7 l/ `) V) `4 U2 V————————————————
! e5 x% D+ }7 \5 i$ g: ~: [; j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
: V9 {; [5 l! ]$ h) K& L

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
5 i; `6 O" S% W7 F- }$ C  W# c

德古拉

good content but bad edition~
9 L7 _4 o$ ]& N/ C/ Q

浅夏110

huangyanzuo 发表于 2020-5-19 12:06
9 S  x1 J4 a: h7 ]: P8 }" k棒！棒！棒！棒！棒！棒！棒！棒！

% ^. l: o, C5 }0 {7 A

浅夏110

浅夏110 发表于 2020-5-21 11:36