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。

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。

3.数据挖掘中使用的数据的原则
2 I; I& O5 d; `# R
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。
; @3 C8 w) B3 M& {: Z' 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。

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

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。

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。

9 K$ ^9 K! L1 c, N+ |- ^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。
$ d) S/ V: S7 {5 C
$ r; K6 V2 k6 X) x+ y$ y4 Q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。
' s0 [. N% {- C8 g/ V
0 e( H$ W2 b3 ?+ ?1 b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。
8 N" {7 r, j% h6 ]/ A0 z5 @  r
2 {0 g3 @. J/ c! ^0 h4 e5 z统一权重：设定权重（箱子深度）为4，分箱后

箱1：800 1000 1200 1500

7 T4 }. @' ^) v箱2：1500 1800 2000 2300

! t2 K" w. a2 Z4 ?- _6 ?箱3：2500 2800 3000 3500
5 \. L: p0 W# \9 z2 ]9 X9 I
箱4：4000 4500 4800 5000   

0 k* J, @& ]6 {% b/ W  j统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后
5 i4 n+ ~* |" L% v) r) N8 H& ?
箱1：800 1000 1200 1500 1500 1800

' I. F3 A" `( w/ O3 R' V% @箱2：2000 2300 2500 2800 3000

箱3：3500 4000 4500

箱4：4800 5000
0 `, `+ @/ y5 C$ O, j
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

" I$ y( Z2 ^5 V% _8 [箱1：800

1 |+ x5 E  o  |" j& w/ l箱2：1000 1200 1500 1500 1800 2000

/ N# Y) Y, }  M. J' n  B& _箱3：2300 2500 2800 3000  
% f( h# l; T. r3 V: m- P
' G) a1 p: P  q箱4：3500 4000
# n4 d- Z7 [9 P- a, H, c
0 r; C9 S" g& }0 J) l箱5：4500 4800 5000
9 `' q& P0 `; d6 Y
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。
9 C. p4 C6 k" K: }$ Y' ~
⑴按平均值平滑
/ K1 g1 n, Z4 @$ a  J
$ [6 o9 N* F7 ?& @, d/ \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。
9 v+ t- M+ s3 U; u$ U7 f! X
⑵按边界值平滑
5 ^0 V1 P: l* u$ A/ ]/ v. \5 g
用距离较小的边界值替代箱中每一数据。
! d3 F$ Y7 ]1 l* c$ X' Y2 z# r# g
' ^5 L" `, c$ M, A⑶按中值平滑
5 @  I: P: a( q* M) `% l* C. U5 H
0 C6 B4 _2 |. i  I$ U! G取箱子的中值，用来替代箱子中的所有数据。

/ e  o) R9 N5 u3 y& G4 H8.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。
, a- h( q% g% l! N% J( o
! A6 k3 W% D: c% I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。
$ \# p- t" p. E" H8 N6 r
+ r8 U, @: y7 C4 R9.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。   

. a0 _$ g* X5 Y+ ~" o; k10.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
, P3 ?' g. B, b. o" j' w
1 T) H" g7 B; X" F- [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
9 ^  f* _. V, b; ^3 @" W/ n" Z& `
' Y" d2 \1 g% C% F: ]3 q5 O* n; ~" T+ ~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。

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。
$ f; ~/ Z: D+ X+ w* g# l
' [& k/ v' l( j8 O4 u* c14.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。
' n0 O; U5 K$ L6 {1 g- e: d( ?
维归约：去掉不相关的属性，减少数据挖掘处理的数据量。
/ t# J$ i/ _/ Q4 ?$ d% l: L- x
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
9 @$ e/ b& x% L( R' F% 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     
' B5 a; M9 J: N) o: I
! u9 c) `9 W" p* A15.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
/ [# I8 r! x6 _. ?; R3 ^7 t
/ M# N: t3 n1 v7 c8 x/ l# h*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]。
' g) X, e/ f) e* r4 T. {
: c! m* i$ g, u9 p! v( U- px’=  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：

6 W( \/ ~9 t. ]x’=(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。
. b- ^8 }6 G$ [2 u
- X" m" {' \' }. 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：

1 G& E$ P- L& K' G( kx’=   =  =    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
9 w0 R/ D+ Q% C8 e" D6 V
; W; H' l4 s/ }- |(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 。
" I, D3 U& R5 Q# I' n
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
————————————————
" l7 E8 u6 |2 q5 j+ K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。
& M: L0 }: _" s: h& k$ M- G, l6 p原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
9 x2 N2 y3 q5 v+ ~: T  J. F! [$ h

德古拉

good content but bad edition~
! }3 y/ z' c8 H# `2 o6 E

浅夏110

huangyanzuo 发表于 2020-5-19 12:06
4 P% i5 W& h7 @9 Q7 ?棒！棒！棒！棒！棒！棒！棒！棒！

浅夏110

浅夏110 发表于 2020-5-21 11:36

- i/ B% T1 Q) l
- M. r) M# K8 ]) t$ R