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。
" |. c# T* m- b5 Q% `2 e" X
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。

# B# G1 X) ^; u2 C) t: T3 X# y/ e1 e3.数据挖掘中使用的数据的原则

+ L$ [/ o6 C4 Y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 x, s' s" j; V9 A: F9 m7 {4 v0 t4.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
- n: x. |. t; ^8 e4 c
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。

  S9 |- F! E2 M* B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。
0 L2 Z3 R; _  m
5 @5 P! s5 s) ^9 o; I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。

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。
, w% K0 b+ {+ n9 d, E
; M$ J3 @! X- ?4 k' R! {& a2 U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。
" D/ m6 |( `: E& m! ]+ U) z
4 Z. _0 B' r& |/ H9 T6 n5 p" j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

' |) `! t4 e$ l) g& f7 b, E8 i箱1：800 1000 1200 1500

箱2：1500 1800 2000 2300
1 A2 T" b0 q2 ^  |$ s
+ T6 |. N* d( W箱3：2500 2800 3000 3500

箱4：4000 4500 4800 5000   

, r  i8 i, {3 N# {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

6 I: J6 s6 ]  e4 G0 L/ r4 k箱2：2000 2300 2500 2800 3000
' G* w) m- ]3 g9 W- E7 [
  e( G% ?* R$ ^9 F: X" |. [' c箱3：3500 4000 4500

0 F8 S/ w- Z7 \+ s箱4：4800 5000

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
( Q% X5 Z% [' d7 g/ Y
, K) y# I4 x9 S. u箱1：800

箱2：1000 1200 1500 1500 1800 2000
% z% U  r7 |9 R
) k$ X& J2 T5 ~: T+ R) z: x箱3：2300 2500 2800 3000  
5 A' {8 n8 {' U# r" r5 V9 P1 q: N$ m* {
箱4：3500 4000
. [4 @, S) E* q' ~; w3 r% J, {) \
箱5：4500 4800 5000
* H8 c0 e+ B; o. S& n; r, S
  _" g0 G  b& w4 Z. {8 t7.数据平滑方法：按平均值平滑、按边界值平滑和按中值平滑。

/ Q9 f! U: b2 j: i8 [, U7 M⑴按平均值平滑
0 Z. l* p4 d' E& C% S$ D
8 R% M% p; f; U  _! U8 w8 N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。
  W; e0 q: |; V5 v1 g( x
: e; w$ S' i/ p$ e⑵按边界值平滑
. ^) ?; P& I: Q6 K% `, k1 s5 i
用距离较小的边界值替代箱中每一数据。

" M- l; H) g# @. B. ]⑶按中值平滑
9 f& s/ I2 X% {( r* ~
取箱子的中值，用来替代箱子中的所有数据。
. I7 H4 K* Y1 S! b( n: c
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。

- l% ^0 f* W! b$ {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。
4 d  I8 q/ E  P+ w
3 k+ k8 n6 d" H7 X% c2 R3 E' q% l9.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。   
0 T8 W$ i! ^9 {; l5 G' W$ H" Y
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
- b1 @$ q" _  a( R9 w8 X. B
( k2 t# u1 c) x' A2 Z11. 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
' T. E+ z) r+ Z) J
5 V7 k6 w: l, M( @( Q8 Z12.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
: k0 V2 }5 K) x
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。

' c4 q: n$ l' j/ X0 k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。
$ Y( q+ k% \/ `: K5 ~$ }& d5 X
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。

  H1 n0 I+ _) v3 N$ ^维归约：去掉不相关的属性，减少数据挖掘处理的数据量。
. x0 E9 i' {- j5 P9 n0 j) R3 |
. a. `5 V& b3 q/ r+ r+ v2 C9 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   

数据压缩：方法分为两类：无损压缩和有损压缩

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
6 P5 L  ~. a. U% c
( V3 |8 f2 x1 @% d: 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]。
% L( j3 d8 k2 M3 q4 V0 V' M
x’=  其中：x是属性的真实值，x’是规范化后的值。
. N- E! Z: c& u! \( ?
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
- Y7 j- `. K; R& K! y% G
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。
7 M# O' `! s: v7 s
# z( K% R5 l8 I4 |* s6 E% c3 [5 L" o (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：
$ p) t/ t. s+ T% K. G: q$ N
/ ], ^$ n$ v* e1 O6 bx’=   =  =    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。

' _/ R8 u% b! R$ @6 ~5 j5 w    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
4 f% w, }, d3 ]) `7 Z4 s- m* U: [
(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 。
' c- l, u. ?# K
x’= 为满足式<1的最小整数。
+ w5 w3 P, A0 v6 }- z  W
" G' [8 {2 l& R7 U: C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
————————————————
' J7 |9 l% p. P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

3 |2 G# c6 h  E
/ D4 _: I  z3 I( M0 f

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！

德古拉

good content but bad edition~
# z. W' x# l+ b+ M8 h6 m

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 L, M( S! G3 e! G& P% o
' L: ?5 a, e# ^) z4 j/ w) k: d