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 Y8 I% \  }( w9 g7 ?+ A
4 l4 g8 S" y3 ?( v8 m! f3.数据挖掘中使用的数据的原则

/ G% R) W8 f# B6 z* T! ~% |, M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。
, v3 l; V3 n. h) E, c3 A0 e3 z
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
+ ^8 H' v+ o; P/ `1 U* j7 ]2 r7 U
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。

; t0 S1 ~/ [6 X2 d1 Q. e2 n( Z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。
$ s* a5 K! r9 Z* i5 `+ k
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。
' Q5 r7 r6 {/ J6 q
: ~! `6 s# N) l7 W5 n0 f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。

- h9 F0 D% j0 [; y4 t6 W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。

统一权重：设定权重（箱子深度）为4，分箱后
8 ]* Z  O* W" z4 L
箱1：800 1000 1200 1500
, w0 I) E6 b( a7 Y, m, s0 O
箱2：1500 1800 2000 2300
5 D% Q' Y) \" [/ ?) T
; L' G% |' t, e; b2 j箱3：2500 2800 3000 3500

, @' z4 l# M1 d& e, `- P; C* [: n箱4：4000 4500 4800 5000   

; @1 r: S( ?2 r- o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

箱2：2000 2300 2500 2800 3000
$ Z: Z- f- d. [& `& C; y$ {" A
箱3：3500 4000 4500

箱4：4800 5000

, j. z% k/ {  i6 F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
; U' w7 Y* a0 O" a6 y5 _
箱1：800
; V4 A% i, ]# h* C% f; o8 ~
箱2：1000 1200 1500 1500 1800 2000
& d6 ?8 ?# @+ G6 C4 [  {
箱3：2300 2500 2800 3000  
  P$ `' v) @0 M. T
4 t0 m8 V# k, z; R箱4：3500 4000
2 I" l/ p0 ^9 @2 w! ?
箱5：4500 4800 5000
8 t1 v0 X9 V; g% K
# z0 Q- }4 y; \' I% Z8 ~7 r7.数据平滑方法：按平均值平滑、按边界值平滑和按中值平滑。
$ [0 ~* z0 q5 Q! S1 e
& P+ O' O9 Q" ]/ b" k! a⑴按平均值平滑

! J! A. s; O( O; K" 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。
  k3 |; |- Q7 \3 Z
& r6 K" }. u& \⑵按边界值平滑
! Y6 u1 i; z9 p
% s$ \" ]; N  |; j用距离较小的边界值替代箱中每一数据。
+ h' C3 H7 m; h. Y3 T
: R( ]: b5 A7 g, C& ^+ |⑶按中值平滑

取箱子的中值，用来替代箱子中的所有数据。
  ^4 m( D* a% M( v' _3 _
& B" X5 ?  P7 L' Q& v7 S% i8.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。
/ H% h& p" y9 n  o
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" x0 N+ P* g+ p9.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。   
# P  u# x% ]/ i! U# k( t
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

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
8 m( ^( r% L+ S" j2 U
: H; _2 a" o! }. F2 V* y: Q13.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。
4 ^! V' N8 F8 n  P* P. q
: T. P; c+ g$ ?  P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。

4 k7 i: t6 p. O+ Y14.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。

, ?+ m7 b7 E$ @; i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   
/ ~& t* _* N' l3 o6 v
+ A- L& p: x$ b6 l数据压缩：方法分为两类：无损压缩和有损压缩
1 z! C8 I! r: n
! B6 c- |! u5 h- X" y+ Y  M: R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
+ o5 ~8 V5 A3 f! N- x9 h8 t
5 u4 \( v  ^- q+ G, A. V*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]。

( w1 x5 u3 {- i' |0 g. l) ^x’=  其中：x是属性的真实值，x’是规范化后的值。
2 L% L% `6 w9 A$ G
: F( t1 b  D/ ~+ k3 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：
" ?) ~8 |5 n4 L1 M6 B
/ r) W* i9 o' Q( ]4 Ox’=(1.0-0)+0=0.716
8 U% N% L0 @) k
, K  J$ ]! M. s" N. m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。
% h: h! \  E0 t  t
5 e9 c' O, h$ N; j  r, K6 [) o6 ^ (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：
$ A. [% e8 P0 v8 S% E, ?% A2 w) N
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。
" t8 T5 X" a- ?$ }7 e! r
6 D! r9 ~. L& `' V2 C0 j    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

/ n6 j2 p( ^/ p: 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 。

! l/ G3 t- B/ e$ q. ^7 I3 V% Zx’= 为满足式<1的最小整数。

/ `3 ], h/ x) u7 [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。
原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956
$ {8 u! l% Q; d4 W
1 X/ }% |0 a" ^" k

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！

德古拉

good content but bad edition~
  J% e5 n/ y  P

浅夏110

huangyanzuo 发表于 2020-5-19 12:06
) D' _3 C8 n7 @& v  H& ?棒！棒！棒！棒！棒！棒！棒！棒！

  P1 H6 |, A4 @

浅夏110

浅夏110 发表于 2020-5-21 11:36