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。
" q" B; R* Y! w5 z; c. }. S
3.数据挖掘中使用的数据的原则
, b% f9 y5 w$ g0 ?# t1 [  U3 h
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。

1 [) ]% a8 H! ^$ f" M- g& O3 j  ~( V5.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
. ?& p# J% A7 u- V# }; S( k# V4 d
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。

) j# G7 O, t& r. X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。
$ C8 ~, K% I" [- `
9 }. {, l9 i7 p) ?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

箱1：800 1000 1200 1500
0 f) M3 ~0 p: G' O7 J! H; K
1 S5 Z. w6 E: J$ M箱2：1500 1800 2000 2300
+ |  `5 @7 x# @# A+ U
. e3 J8 V2 `9 E. B$ A5 B1 X8 T箱3：2500 2800 3000 3500
# z# K4 l! L' t( K# v' J
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

8 `5 q/ Y. [" Q" }! K) j箱1：800 1000 1200 1500 1500 1800

箱2：2000 2300 2500 2800 3000
" b# U3 ?" E: S. y% C
箱3：3500 4000 4500

! ]8 B5 X& A; K) }' H! c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
8 ~' c! k$ o1 m0 F- x3 r+ n3 o
0 p1 y$ v# K# |$ v" o) V箱1：800
# z- u. n+ U1 K5 l% z' [+ w5 h8 m  L
箱2：1000 1200 1500 1500 1800 2000

! ~2 d0 A0 X, j5 J: L3 R9 F箱3：2300 2500 2800 3000  
7 o+ d+ F5 v+ k( t  r/ r. Z
箱4：3500 4000

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。
& V- c* a0 g" X2 u; Q+ |7 ]
⑴按平均值平滑

. h# d' I7 D' t# o! I+ 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。
9 g/ V. _. C9 r' f8 q$ v! J/ t
; Q  A2 Z1 ?, Q/ b⑵按边界值平滑
8 H! s% ?* [( [& j* _
用距离较小的边界值替代箱中每一数据。
% I' z; c+ w0 v& C8 E1 \
⑶按中值平滑
# k* j  \# K6 n/ s! w1 Z
' l! ]; y+ p0 B( q4 g取箱子的中值，用来替代箱子中的所有数据。

! I+ `# V2 t2 [$ F1 W8.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。

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。

/ U! a$ `- y2 V; L' N" [# b9.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。   

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

1 t1 W) B7 p( h- ~  y4 K11. 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

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。
* `" S3 ?% F5 L2 q% }: ?4 ^, J; @
7 a+ W/ i: W/ u! E8 \8 z4 U- Q9 N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。
- w5 k7 {1 y& ~1 x% r
% ]5 J1 u8 @- \2 z" 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。
% V6 ]5 I  R' M. Q4 I: F5 a. D
4 w; f. e' d  w, x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) X0 G8 q  n8 `+ T5 a
数据压缩：方法分为两类：无损压缩和有损压缩

& h& [. W8 g0 `* a  O. E& 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     
. A/ M% E# |1 d% S8 [# o- R0 Z
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
, j+ s9 w8 u: f' {' E; l' h8 |2 n
*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]。
) Y- u) g; z; y$ C7 ]. v, Q) K, f
x’=  其中：x是属性的真实值，x’是规范化后的值。
5 C9 O, E0 d  D6 E# l4 C1 F  f+ S- 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

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。
5 Q) U, X8 s8 s; ~2 k8 T4 c
(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：

0 R" I" A! {- x- Ex’=   =  =    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。
: t! u; R: G9 `' V. D
    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

% X1 m* o' _- d5 t. `(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 。
# }  Y; r) n! `" F7 z4 o" }% @- Q
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
! w, k+ j2 g7 j- N————————————————
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

5 j3 @/ o; `) k. v+ j
9 ~; Q3 w) \! l6 L, c% q; h" |! t

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
/ y! ~2 j5 e$ b

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！

2 I5 b$ n5 Q- t, G# h7 B
3 F! [9 U$ C* d8 S2 a1 V( ?* q

浅夏110

浅夏110 发表于 2020-5-21 11:36