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。

( k8 Y- j% Q2 C2.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

6 ~" k1 n7 N: _3 y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。

1 Z7 w; T+ @  H2 s; ^* B4.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

' ]  z- r' q$ k% \' }) A0 t: a6.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。
0 I4 ]9 A5 w* m. A
: e: o+ _1 Z, P4 U3 A1 D& K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。

$ y1 t9 j4 ~9 I9 _! F, o( c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。
0 Y: D' _& d& }1 z5 T: C
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。

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。

: X+ g* I" E4 f7 ]0 M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。
& v! A! L% E1 R! B
统一权重：设定权重（箱子深度）为4，分箱后

! Z/ h8 e1 v* k. c. r; l  U, Q箱1：800 1000 1200 1500

) g3 [' X( a+ K& y4 ?/ H箱2：1500 1800 2000 2300

4 b' ?3 x9 o- F% K8 S1 Z$ Z箱3：2500 2800 3000 3500

箱4：4000 4500 4800 5000   

" U" \* [% v( N1 o7 n/ P统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后

箱1：800 1000 1200 1500 1500 1800

箱2：2000 2300 2500 2800 3000
8 H. z  }( r6 h, R5 Q- y0 \9 k
9 w* N. D3 Y* H2 [& E5 X箱3：3500 4000 4500

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
) r! W- ^/ D+ s8 o' ^5 S- ]
箱1：800

箱2：1000 1200 1500 1500 1800 2000

箱3：2300 2500 2800 3000  

+ s+ z4 X: D/ e4 O  `% c箱4：3500 4000

箱5：4500 4800 5000
% ~) Q! \1 Y) V8 @  {; [
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。

" f7 k1 ?! c7 T. q  b) \! L, R: l⑴按平均值平滑

0 ^9 L/ O1 \7 v* ^6 J. C( u9 Y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。
4 u# @' ^, t9 o1 X  g9 v/ |/ N
  B  {, s. ^  [& O# X7 v4 }8 R! q⑵按边界值平滑
5 [( u6 v/ [5 d; v: H) D7 U$ h
用距离较小的边界值替代箱中每一数据。
2 `! A. b7 D0 m& E- O
6 }! ?' I4 ?) L; H+ E⑶按中值平滑

# L5 i( j* @0 z6 q. j取箱子的中值，用来替代箱子中的所有数据。

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。
7 N3 R; [  ~$ P& k& Z" J
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。   

! m6 B' S$ L2 y' p6 ^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
; F6 A$ s# R8 u
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
9 z! z' A% X( D4 T0 }
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。

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。
' Y' z" a: z# _- {9 y/ t9 L: G: R
/ r; p/ O3 R8 ]: @  G  ^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。

% L+ E7 ]7 i  U, G) x4 a维归约：去掉不相关的属性，减少数据挖掘处理的数据量。
$ M1 T1 K# \) S5 ~
0 P5 a8 b6 h& `6 u2 H( d: u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   

5 ^- l5 B6 z' t4 o1 V: k数据压缩：方法分为两类：无损压缩和有损压缩

* m' ~( \2 x4 |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     
& R- R' C% Y2 f+ p+ y5 z2 q
* l( z6 b! N8 F& N. M7 G15.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 `  @: `. a" }- r
*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]。
" u2 b  q) E, a2 G% @0 ^
x’=  其中：x是属性的真实值，x’是规范化后的值。

+ A. q# s" S7 X& ?8 {  w, 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：

# R8 g5 S! i. f4 F' g) p* W' lx’=(1.0-0)+0=0.716

; M3 A- `* \# R0 x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  a8 d4 @1 {+ m3 } (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：
" D( r0 N4 n: C. L5 \! `
4 u1 j- w; C: B. t' K! ?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。
/ b9 g' Q8 M" h8 K. H
    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

# t: b% ?1 D* ^6 \2 e(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 。
6 m$ \" f' Y0 ?0 B6 k2 b
0 g8 m8 H* h9 S6 N  Qx’= 为满足式<1的最小整数。
# Q& h$ U0 \' B; t3 i  H
: s6 a6 ]. k8 A5 r& |6 _- j+ G; 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
* X3 _+ i6 E) K1 k: I& R————————————————
8 d& c) i7 v( x7 a5 P) @' Q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 U. O* b: O0 ^: D* M6 J% ~7 Y( I& z

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
2 _; Y1 ]6 A9 g+ j$ }8 V! v

德古拉

good content but bad edition~
! j# O/ S4 o2 }1 i! E; z

浅夏110

huangyanzuo 发表于 2020-5-19 12:06
棒！棒！棒！棒！棒！棒！棒！棒！

* d5 |0 X/ O3 I! q

浅夏110

浅夏110 发表于 2020-5-21 11:36