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。
5 k$ i4 M0 f) c# G# i6 F+ z" E) }
2.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。

3.数据挖掘中使用的数据的原则
5 x+ N' g: ~; z- N8 y, 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。
! f: j1 U# x# m. M) {, O! w
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。

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。

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。

: C2 Z, P# P+ n& z/ G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。
  Y+ F5 V) n3 A$ |
$ L% O2 d1 N2 ?4 U- }2 N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。
0 E2 T5 E" N$ v5 f1 n' A& b! f
) h7 M3 ]" S7 @1 M0 `5 x/ d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。
! J' x. o/ x) P8 m
统一权重：设定权重（箱子深度）为4，分箱后
: P/ I7 X7 J1 @
箱1：800 1000 1200 1500

箱2：1500 1800 2000 2300
) ], S8 ^, R5 ]% l+ `
箱3：2500 2800 3000 3500
* r- u( g, ~* f$ x
箱4：4000 4500 4800 5000   
$ C$ u0 I5 c7 v& z2 j
统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后
3 V8 Y- d# [+ Q+ Z5 b% u
! I6 ?; Z- U' t% a* E箱1：800 1000 1200 1500 1500 1800

箱2：2000 2300 2500 2800 3000

箱3：3500 4000 4500

3 v( {! ]1 Z* O1 \4 k  |4 Z3 r; v& x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

+ }2 c. u+ L  N1 ]# A; c箱1：800

箱2：1000 1200 1500 1500 1800 2000
, P. ^) {5 g8 k2 H" c3 w* Y- `
2 E% Q, ^& C, K* X8 L; V( [箱3：2300 2500 2800 3000  
# l1 y5 m8 R! |8 H- Q
箱4：3500 4000

; V5 v% F; C. _( Q  \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。

/ ]9 i) @4 p8 W) U* U+ E⑴按平均值平滑

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。

5 K( [1 S9 H' `6 h. Z7 v. |0 V⑵按边界值平滑
$ i, m: M+ s& ^5 j+ n
, \% n& u% k& V8 Q! }用距离较小的边界值替代箱中每一数据。
3 @, `5 n3 e3 l: E# u
" P2 e, n- r( C, t* D9 ?% z⑶按中值平滑
4 Z$ P4 N5 F4 \  V
6 {# X. Y" @- c+ \取箱子的中值，用来替代箱子中的所有数据。
; ^2 |! R' o, s& F
8.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。
+ J* A- }( o/ o/ o' w  p2 {
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 M* @+ U- E1 Y! d1 [
) }% B  L) T4 m5 y9.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。   
+ n5 m8 r0 p5 A# }
2 _% l7 ?1 a% w5 h10.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
0 l' Y* j# U& P- k% F0 W, g
0 h/ y5 }) K3 X+ l2 s" x$ r11. 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
' y0 e; n. W! R% a& e  t
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
0 L4 h3 M% L4 }& d  u/ S' f: m
3 _6 K. [: i( Y$ a13.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。

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。
! _& T8 c$ @. s( N$ u* S
6 ?3 ?) w" _  A* K14.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。
! C6 J! s4 T9 E% v* Z9 B
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   

数据压缩：方法分为两类：无损压缩和有损压缩
7 m7 R- z  i  w$ ~% h  c
3 f/ b7 T, n1 O* i9 n4 m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     
8 Q9 f6 b$ K- W; O
/ z# F8 v8 \( o5 W! M15.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
; |' I( V' p4 r+ x% r
* e2 `& g6 n5 R! A# y  |) k- x*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]。

; k2 y, @# p& K: b4 b" B+ Fx’=  其中：x是属性的真实值，x’是规范化后的值。

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：

; }' v9 [4 `- j5 s+ K$ ?# g$ Mx’=(1.0-0)+0=0.716

$ Y3 f5 y1 g: I7 Y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。
3 c, ?! @4 ?3 Y. g! @& Z1 i# D
(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：
$ c" v2 ]" W6 _& F
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。

! m2 w7 s6 W. g    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

(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 。
; e8 p' N5 M/ Q. b( \+ H: x; N
x’= 为满足式<1的最小整数。

6 k* _  R# {" ]3 X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
0 u1 a* W9 R0 Z+ X————————————————
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

8 o8 L9 h$ {" a" }( f$ P# @
+ o0 {: |, T! |; S. I6 e; K5 b( }

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
; u" o' b9 |+ E+ [6 X, g5 b3 J/ C

德古拉

good content but bad edition~

浅夏110

huangyanzuo 发表于 2020-5-19 12:06
7 Y* q3 w8 h' J2 Z/ ^% S6 ~) ~- `棒！棒！棒！棒！棒！棒！棒！棒！

浅夏110

浅夏110 发表于 2020-5-21 11:36