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。
. M. N+ C$ b* S# }, I
  [' u1 `/ s. _" q3 |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。

7 m2 V! w+ m3 v$ W5 g3.数据挖掘中使用的数据的原则
4 o) Z% k& l- o. J9 p
' F, V' H* @, g0 c" T* K1 `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。

, S8 F7 R3 v7 a# f1 M# B& F4.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。
/ j- l; t/ S4 K; @" b0 T0 ^; B
$ R/ |) u/ x, A/ B- r5.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
* h9 \. Y- g& _, H2 h
3 x- p: C) h& h6.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。
  _/ {7 L( B2 y6 q8 j
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。
4 Z4 ?+ z! G/ L6 j
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。
$ N* _3 f$ S7 [4 N# G
4 u9 S3 p  }. v  Q- n- h& D8 f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。
1 @" g; g. p$ \% ?3 e6 H; P
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。

统一权重：设定权重（箱子深度）为4，分箱后

箱1：800 1000 1200 1500

5 m% R# T% Y- M箱2：1500 1800 2000 2300

箱3：2500 2800 3000 3500

箱4：4000 4500 4800 5000   

统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后
5 t: o; @. x- ]0 e% y1 p
- V9 V8 r( j: V, m箱1：800 1000 1200 1500 1500 1800
$ {7 r& D. p, R
箱2：2000 2300 2500 2800 3000
6 L9 m& F# S/ D. q" l8 l5 V
箱3：3500 4000 4500
2 x# z4 }% @) A3 t  Z" o
箱4：4800 5000

8 M& |' ]4 T! _* G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
7 l8 H0 U3 e8 s4 C
箱1：800

2 f3 P6 x/ G+ P% l- w0 N箱2：1000 1200 1500 1500 1800 2000
# i. ?3 X5 }8 R4 K
箱3：2300 2500 2800 3000  

2 o* ^3 F2 B7 v  h; R箱4：3500 4000
/ H$ @% A: J$ G; T) _
7 t) l* |3 e+ f# r6 R( H5 z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。
( @$ X' E2 a- f4 K" a% k: ?( M1 ?
⑴按平均值平滑
2 z+ z/ j& T' }- ?- l/ ?
, o$ H4 P* Z2 W6 S9 G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 [3 m; ^7 S# x: ~$ H5 Y1 p⑵按边界值平滑
3 P* `* ~1 B$ f% |# ]4 ?7 g- M; N
3 Q: y3 A6 o8 h3 \" \用距离较小的边界值替代箱中每一数据。
/ l: a( l6 V0 _6 i" w9 ~+ Q  }
⑶按中值平滑
. i- w$ y- Q+ N* _& N
- S( K% }/ N$ \1 X7 C* n7 F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。
; Q& S/ w4 E! u
" D5 v7 p0 w, B! i% k' ?& N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。
" `# C, B, k& U' |" b6 K! r
1 n: s* C* R+ W& [5 I9.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。   
# v* u0 L: ^# e% J; ^* V
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

8 D# U/ g9 s. n% w6 }1 [5 x11. 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
# v2 v5 z$ T9 C% d. X% P: r0 \
# y2 K% R! |: G. Z13.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。
, e; {/ H/ a6 y# b
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。
' ?0 S$ r  w& B# B
维归约：去掉不相关的属性，减少数据挖掘处理的数据量。

/ w' d' P5 T, ]% |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   
4 g  o/ f! m" ^, S
) Y6 B4 m. V3 G2 @4 s) R% I/ ~8 o数据压缩：方法分为两类：无损压缩和有损压缩

: a% P4 M7 {0 D* ~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     
. ^, V- }' T' k& e# P
3 d2 x1 t3 p* k1 R! B: W15.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]。
. v  J* C7 ?) x
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：

- E3 Z8 k$ A6 Q0 t; _0 G: wx’=(1.0-0)+0=0.716

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。

(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

(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 。

3 B0 f) ~' a: f. gx’= 为满足式<1的最小整数。

" Z9 Z9 F% x6 H& K. `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
————————————————
! a7 e' W/ x8 Z; i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
- ~2 k6 R8 Q9 w4 k
7 ~; A$ t7 g0 o& u. i" X" [
: [* Q7 J( r8 z+ t6 ^3 C7 r  X& V, u1 s

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

5 U, b8 y, ~# ^  ]