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。
3 n7 V0 y( [- V4 K9 a
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。
8 Q5 p! A) b/ }: Y% R. _
8 K( R& Z- `. e) _3.数据挖掘中使用的数据的原则
1 L( u2 I/ X8 H6 l1 E4 ^. s- V5 u2 k
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。
$ g3 N& }( y, K' p. Q" s: }
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。

) ~! U' Q0 |0 \# h5.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。
; Z% [" p# ~9 n/ u* H% Z) i
& |' B6 |* J. n+ E: r4 z7 h  l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。
3 |$ O" \1 y& v( q- A3 O
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。

$ g3 s; K) f9 R! |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。

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。

$ }! V0 G' F3 o统一权重：设定权重（箱子深度）为4，分箱后
! O: S) a, |# T3 y- _. Q) {
0 Q$ X2 H: V5 r. B7 m, M& c7 b箱1：800 1000 1200 1500
! m9 T- Q. k: G9 W: o2 i
箱2：1500 1800 2000 2300
& f/ N& Q$ l/ L  O
% V; y$ w7 e9 z, n箱3：2500 2800 3000 3500
+ X- @4 c1 t9 v* Q# j/ t% z1 D; V
箱4：4000 4500 4800 5000   
( ]  _- ~% ?8 k1 K3 [7 H: B
统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后

# i0 g# V0 e6 ]( ]8 M# K箱1：800 1000 1200 1500 1500 1800

' C/ X# E' ^+ C  g% `箱2：2000 2300 2500 2800 3000
: v& [. J4 f& R$ {+ `
箱3：3500 4000 4500
8 U2 E" U% h( S7 q( L
  Z1 f) v( D# j/ M箱4：4800 5000
4 L6 h( k% m. `3 ^: l5 J% G2 H1 s
3 G; b) a* [8 H6 W( [/ t- n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
; u" a- ?. Q& Q4 d& y
箱1：800

  Q, k* j8 W5 d8 M: {. E2 W箱2：1000 1200 1500 1500 1800 2000
: [' Z+ f" K5 s+ J0 A$ t  O8 U
箱3：2300 2500 2800 3000  

4 c2 d, U, ^; ^+ x! c! W1 A3 n箱4：3500 4000
9 Z! R! h" `1 o7 ~( r. K
4 u$ U" V& {' t, j箱5：4500 4800 5000
$ l( S$ \9 [+ j% ?4 O% s
5 x# Z/ Q' m0 z/ X+ C/ z6 \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。

- }/ _: M" `! Y2 i4 P3 i$ }* s# `⑴按平均值平滑

3 a1 A$ o5 g+ g0 t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。

0 d! o2 @+ o" v" d% D1 e& I/ p⑵按边界值平滑

. b2 s' w# g. ?5 C! H" C- r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。
- ^. |( F0 M5 k; i
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。

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。
) b( v" D% X  }/ ^4 [
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。   
, F8 X- M0 L3 R( v4 l- R
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

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
  y8 S6 \0 G" d3 h
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
- r7 ~! p9 n; f& F& L9 n
& }: n- M' B7 g) {) y  M13.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。
% p' L! ?: K6 n/ V, _# ]/ f
2 O/ c2 p+ C! @. z" k+ ~1 O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。

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。
5 {6 I" m2 n+ `# Y& O/ i
维归约：去掉不相关的属性，减少数据挖掘处理的数据量。

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   
/ J7 A9 {; a+ n" M, _. |
/ ]5 [( M- a$ |' k+ I. c数据压缩：方法分为两类：无损压缩和有损压缩
5 y0 Y# t1 G7 S5 @
! D  `& k. J, R. i! D, r9 M3 A& t0 T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     

6 Y; i1 L) M, L; t5 F4 O15.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]。

: w1 l( ~: d1 v$ ~2 T% Cx’=  其中：x是属性的真实值，x’是规范化后的值。
" g8 i" V0 V  q# c8 j
3 q% ?/ n" K* r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：
  l# b0 i" a0 q! p$ f' j" D
x’=(1.0-0)+0=0.716
4 I) N/ R! u% E; L3 @
8 P9 ?7 s' p( ^) ~, P! Q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 Z* B* l- B  _# D7 L1 Q7 M (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：

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。

    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

  u) E6 N' E9 {+ `! p! q/ ^(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 。
: F4 X9 ?. Y3 R3 o
x’= 为满足式<1的最小整数。
2 T# p) X. K2 o1 B# 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
4 }, ~6 r2 l* ~! ~$ B————————————————
# R( r' S1 a% N: C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。
( ~3 C2 F/ u2 [+ M原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
1 y8 ?  `1 z3 ^& @& d5 k1 E2 w

德古拉

good content but bad edition~
0 X6 I. v, p# L- z# Y5 Q# l- i

浅夏110

huangyanzuo 发表于 2020-5-19 12:06
" M3 |8 `& [: K& @! `( d- k  d棒！棒！棒！棒！棒！棒！棒！棒！

! a/ y: p0 N* B. F. M  F( S6 h
" b+ B6 N! C* ^  K% z) E

浅夏110

浅夏110 发表于 2020-5-21 11:36

8 q! g  O: A( w! Q- u0 B4 y
5 x* t) {( j3 ^/ d