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。

+ X: y8 ?4 G# `3 k7 @1 O3 ~/ q2.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
7 m2 g/ T9 S4 m
4 a$ {0 O: {" ~8 @& g! Z4 S: [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.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% B3 k( I! _7 i5.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
& Y0 Z' d, N; v5 a
& R0 S6 b  A& V" P! m1 A( n, o( N6.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。
7 g1 \, Q+ i$ L( I* F' _
( j- |% k9 K$ v! c; V3 A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( u5 c& e) R8 w4 g. i
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。

2 r5 i& T. e% _6 Y- o( d$ W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。
% z- t. |5 y. r- ]
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。
( V7 D6 ]8 l0 Z' T1 I% C* q* t9 v
' F3 Z, R% ~+ p$ j1 N9 g( _统一权重：设定权重（箱子深度）为4，分箱后
( z/ f) s: w& V# Z7 r
箱1：800 1000 1200 1500
+ ~& r! T" z; g" f
箱2：1500 1800 2000 2300

+ b7 B  f$ G+ k3 p箱3：2500 2800 3000 3500

箱4：4000 4500 4800 5000   
2 B' g6 \+ B) y) w  v# K
" w  h5 C. g" o" Q: t0 _统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后
9 Q. h8 X2 K' v  J
箱1：800 1000 1200 1500 1500 1800
, v7 g- n# L4 I; K( l
. R5 B7 Z6 s# R' t* P1 v箱2：2000 2300 2500 2800 3000
; T  k5 u. o; k* i* T) ^
/ a* O: @; Q& d箱3：3500 4000 4500
. Z# @- l. O/ Q1 w( Q
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

箱1：800
( o/ E  S- h! A2 `
箱2：1000 1200 1500 1500 1800 2000

, K7 _$ |: F7 t箱3：2300 2500 2800 3000  
7 M- M, E' p1 L; Z2 S$ V
箱4：3500 4000
; e# B9 S3 l$ X7 M: B
箱5：4500 4800 5000
; p: N9 V. {2 h. [
! Q4 ~( J' M: N  r: |2 @) c7.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
! ]( g" e0 O& i! |4 u6 r: n7 o7 _; c
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。
* R/ q9 f. T! @! O
2 Y. L, V- ^! i# ^& i+ i⑵按边界值平滑
' T1 E5 l0 i% d& n
用距离较小的边界值替代箱中每一数据。

⑶按中值平滑
0 F' n4 S$ q2 L% g. N9 V
取箱子的中值，用来替代箱子中的所有数据。
+ _# t  |& ^8 f. D! P
7 f* S; C% i$ N9 G( y8.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。

+ Y6 ?( C7 W3 O. ~( I6 n2 |* z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。

) U0 G( F* z. x/ F7 q9.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。   
4 D* d; s7 e6 g4 C8 l( h0 c
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
7 x4 k2 a' d. T6 T" Q& V- a0 J' R
, x5 `) C7 r6 W1 H12.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
" B% L9 J% |6 f9 q! E
% p  O3 H0 c4 t! Z+ e2 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。
" C7 a& U# g- C0 D* q
! ]  S8 ~8 }  j' A) A5 Q- u14.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。

: y2 y& E% f) b) C5 b维归约：去掉不相关的属性，减少数据挖掘处理的数据量。

/ {" J. f6 e$ F/ T9 K6 X+ M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   
: L1 Z+ ^$ J4 |2 N% I; T
数据压缩：方法分为两类：无损压缩和有损压缩
% w, n: }, V9 |; g
4 ~8 ~' v6 H7 B8 }; C3 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     

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
. R; n+ F( e8 J3 c) _9 f2 J
*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。

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：
- h, k: M3 Q7 T- Q
x’=(1.0-0)+0=0.716
$ ^! m* }  f3 v6 _* W; Z# x
0 E( B7 z2 _) F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。
. ^7 ]3 M2 k. @6 C5 O$ |7 F
(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：
) n4 Z$ s/ Y  y" ]: V' b9 P
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

7 B+ L0 X- J9 g(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 。
& ~  D+ \5 J" H6 P3 v: n
5 X: T* `3 e; D( S  E% rx’= 为满足式<1的最小整数。

! z# S1 l) \9 w4 Y* V7 G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
————————————————
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。
  s( s8 x# f, G' w( E1 ^原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956

2 o* F) Q/ d( R" @* \- x

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！

德古拉

good content but bad edition~

浅夏110

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

浅夏110

浅夏110 发表于 2020-5-21 11:36

" M7 n6 @4 \% I0 @3 @! Y