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。
; }5 f7 X+ [8 ?  j2 j; y" K
7 l! j1 r% B$ }" |+ K/ K2.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。

4 L, ?9 @1 b, A! z$ {# M& u3.数据挖掘中使用的数据的原则
4 G" }' s2 `. X6 W+ s- b
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。

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
" e+ S! E. U8 h5 o5 E( _# {' J1 m
6 Q, K) ?6 U$ u1 i6.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。
( Q) a7 {3 R( x, E/ `
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。
- X8 Z% Y: }% j3 ^( y; p
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。
) y, D1 o/ s/ T1 U( k0 b
6 n% m. {7 i6 |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。

+ p  c7 K5 o7 e, L1 E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。
7 n  j: y! \9 e9 @7 L+ I
9 U& Q  B- V/ h- r: M6 z统一权重：设定权重（箱子深度）为4，分箱后

箱1：800 1000 1200 1500
* [- }; j+ ?# j1 ^( M" @2 @
箱2：1500 1800 2000 2300
" C. q9 {0 O* Z2 A2 Q( D+ }
箱3：2500 2800 3000 3500
: J1 Q$ O) e  ~' ]9 b) o9 _: U! ^
/ ]3 r( p( f2 t8 Z# W箱4：4000 4500 4800 5000   

, ]" d2 m4 i- \+ \8 ]统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后

, X1 e+ L$ e( i3 U箱1：800 1000 1200 1500 1500 1800

& p0 F7 `- m' z7 L' C箱2：2000 2300 2500 2800 3000

箱3：3500 4000 4500

箱4：4800 5000
+ `  @1 X  n6 w9 O( m
2 Q. @$ D5 V+ W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
1 S" n) n) _* Z. [/ |3 F
箱1：800
. _8 ?% [$ i: c, p! z' |6 x0 z
. o) r" q8 C8 `8 X箱2：1000 1200 1500 1500 1800 2000
& n+ v, s, l9 P5 n
3 Q/ n$ g& L2 ]4 h# N箱3：2300 2500 2800 3000  

6 Q4 C6 o* K7 s7 Z& z0 s) o箱4：3500 4000
- Z# z1 U* z1 [5 `' L9 d
箱5：4500 4800 5000

( ]$ n5 \- y$ J/ i7.数据平滑方法：按平均值平滑、按边界值平滑和按中值平滑。

5 Y. u/ [3 `& f5 D⑴按平均值平滑

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。
" e+ x2 `- I) k, z
⑵按边界值平滑

用距离较小的边界值替代箱中每一数据。

" I& [; a9 d# G$ F- O# U& v⑶按中值平滑
3 M& a0 d  d* L/ y5 r
取箱子的中值，用来替代箱子中的所有数据。

7 V, t3 a9 I2 w) ~+ v3 P1 y% u0 w/ y1 X8.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。
( V% C: [, y- m; S% D0 f  K# |) f
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。
; T. P( C2 N* G5 j6 f
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。   
7 x% U0 W( Y, G# n* [
) k, w7 b" \, G( Y' G2 Q10.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
# \' u) \; e. ]6 M( \
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

4 F3 g& c4 ~5 q9 Y0 L12.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

" k: o) J7 t6 W$ L. x8 u13.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。

9 k5 u. l) K& ^' T0 j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。

, M, F5 {" s# F. _+ @+ W14.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。

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   
# R( t2 ?/ K  V  O1 P# x: U$ _6 A
5 R+ O5 d+ H# I1 _9 E数据压缩：方法分为两类：无损压缩和有损压缩

) X7 _2 P, G/ 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     

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

*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]。
- S9 T2 }1 {2 F& |  c2 h: ?
5 }9 C) Q5 G' b1 S2 Gx’=  其中：x是属性的真实值，x’是规范化后的值。
5 q0 K  M/ p7 T" T4 F4 Y
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
" E8 B7 a0 A- h' R3 l
3 N: e9 v, \1 F( V3 d0 ]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。
( |1 y& |. _- a  k
(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：
. c) K' K( l7 b3 \0 ~  S% C
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。

: p5 l% f- Y+ N' Y# q, _- _" b    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
- X: I$ g. U9 a7 M+ p6 H$ {" H
, o! o; _) E+ ^" v) }* s3 x(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 。

x’= 为满足式<1的最小整数。
6 L$ }7 }8 W0 w9 S- {  x
, I, q2 I% [% O5 q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 A7 U+ {6 Y( l————————————————
7 l" u" t9 |5 F0 P* [% f  o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。
8 w1 S9 B3 V2 b/ z4 L8 b! x原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956

6 r& H& z. x, G5 n* T+ P: }" `" R

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！

德古拉

good content but bad edition~
. \( x2 l- \  F

浅夏110

huangyanzuo 发表于 2020-5-19 12:06
$ }! [# {) w( z& d" I% @棒！棒！棒！棒！棒！棒！棒！棒！

; I: ^% d- i) A0 u0 ~: D, p' t

浅夏110

浅夏110 发表于 2020-5-21 11:36