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。

! O+ p* l! n' T0 P2 \% |. c) ~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。

9 N& N6 h/ _  A- ?+ P  P3.数据挖掘中使用的数据的原则

8 ~" R  \+ H, l# ?/ f0 Y8 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。
8 }1 C! q( ?% {4 y
$ _* p4 z* V& D& ?- }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。
# L4 m* y, ]% ~- h0 G8 `. _# b
' M6 c- K, R: @2 e* y/ c2 X9 J5.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
. h2 k: |! t* {, u! u, S
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。
2 N0 Q- e+ P" L4 g6 J4 a+ b
0 ?! f$ e7 a! U) r4 O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。

  I3 Y/ g$ C1 }0 v  r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。

. O; s0 h* K# Y9 n( k5 ~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。

& s, S# v; O9 |0 ~& H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。

8 }# r: z, d4 b/ ]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。

) a3 M! }9 }! I  P& m6 V统一权重：设定权重（箱子深度）为4，分箱后
" J! _9 R/ C7 A/ F7 Q, f+ v
0 g9 C0 J6 I7 y: ?3 I  }箱1：800 1000 1200 1500
, r9 F; ?8 ?0 R
1 R, k, n) T; _0 @+ L& O箱2：1500 1800 2000 2300
- v$ k2 v5 J5 z  ]: U8 i! h& z, ?
箱3：2500 2800 3000 3500

箱4：4000 4500 4800 5000   

# o5 m1 m- B1 }9 G" z' H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
9 ?7 M" i& E/ C, [# w
+ L2 t- T2 A* [" }9 n4 p3 R. J" d箱2：2000 2300 2500 2800 3000
, g( G: V8 L" N4 j% ?
3 R- [) x, k9 |: K; G% O箱3：3500 4000 4500
1 _/ s+ e" E9 u6 ~0 Q4 Z- J
- _+ M8 h! a7 m! D9 o" T( a. E箱4：4800 5000
* y& o' M) v6 X2 c! C" Y. ^
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

箱2：1000 1200 1500 1500 1800 2000

! ^( h" p; j2 P箱3：2300 2500 2800 3000  
1 M# s) n6 C& T' A8 R$ J. U
箱4：3500 4000

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。
& [/ q3 T1 s; M
# ~) W+ Q7 M; G$ F9 n, T" [) K. Q⑴按平均值平滑
" M: d: z2 o( d
" [! ?: [- B; v& `) j6 s3 b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。
) I+ Y, @$ a* c9 X7 i
( X4 ~  K: u3 P4 C⑵按边界值平滑
$ U! E( d2 Z( e# k; E
用距离较小的边界值替代箱中每一数据。

⑶按中值平滑
' j/ Y5 F+ S8 c+ q: h% u- N
+ m' @$ x6 d5 n* `2 w( u) n取箱子的中值，用来替代箱子中的所有数据。

. `  V$ L3 F1 L4 _+ a8.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。
' [% z5 W/ Y  W  m7 z
9 V% t: a, A6 C. s$ Z; H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。
( l5 H) y' z: ]
+ v* ^' ~( C/ {; a. ~. |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。   

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
  r9 v% p9 S& e. u3 T7 ]" l8 X: @
# t" y  Z# f; K8 t# J11. 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
1 r" ]; l- r+ W; v( a. U$ n" B
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
; [: t: a9 Z  K
( E6 L+ _! k* l$ f5 ~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。
' h6 X" g- f. t$ c, R# Z' L: r; r
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。
; s* ~; J# G/ w
$ @! X% E7 v; A# U, O2 ~  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。

5 m6 K5 ~* Z' x9 B1 {维归约：去掉不相关的属性，减少数据挖掘处理的数据量。
0 c0 J3 F$ H. p& \1 x+ N2 M
1 d# q8 L1 E6 u* {( r( 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   

数据压缩：方法分为两类：无损压缩和有损压缩
& h) B3 ]3 U: _5 `) |' t. w# g
! S- `0 p$ ~' [! {, \% 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     
& Q) @) N* g# H5 a* D. w( X( O. B
3 D9 p6 `: `; E! Z/ C& ?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

' y9 h3 n- Z" g' [9 A3 G*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]。

2 f  R7 O# F- D5 U$ [/ V9 d  Bx’=  其中：x是属性的真实值，x’是规范化后的值。

+ ?2 F3 d+ l$ f& W3 v% H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
( s  r& r& o9 I' g4 u
. A7 G: t& W1 j) i0 L6 P4 h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。
; b- j0 H9 F" T4 S) h
(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。

7 b6 i- Z; Z! n    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
& ^) P, h4 t4 G# A, n0 V
(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 。
. [$ _+ f' v# ~3 H6 K9 p  k( V! m& z
8 b( G& @9 n! V6 P5 {8 f- @x’= 为满足式<1的最小整数。

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
3 z  E0 O4 Q0 O3 @& v9 \————————————————
9 f  Q0 M9 i/ H- o4 E$ u  n  f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

7 X+ w+ m/ G$ X
$ ]5 z9 ?0 v. i" z# q% N/ ^

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
9 Q- r$ Y: ?  s- }* \, ~" K5 N/ @0 x! e

德古拉

good content but bad edition~

浅夏110

huangyanzuo 发表于 2020-5-19 12:06
7 y& i4 n8 K  q% I6 M棒！棒！棒！棒！棒！棒！棒！棒！

( Z% N! g+ E2 P8 J, d& p
! U4 R6 t; T/ |% c: q2 g% [- L

浅夏110

浅夏110 发表于 2020-5-21 11:36

8 v6 C) h1 }. Q2 O0 ~