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。
& ^1 b/ D6 r' v* O. ?
3 S, n/ w' b* K& F6 J2.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
7 T, D* l; _( l" ^# e
( {# D' A  \& ?1 y; |8 \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。

# O4 d6 }; \. H. [) ^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。

/ x% k, F8 L2 f2 G/ @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

/ L6 s( @6 J. O  v: Y2 O6.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。
' H. M" c2 @- D; G8 Y+ z: F# k
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。

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。

$ B: A5 d! }3 @! y' u& L5 v7 O. k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。
- u5 E* S6 S) u8 r# Y8 Z  [
统一权重：设定权重（箱子深度）为4，分箱后
8 c0 T. Z* u- K; Q  A/ n
箱1：800 1000 1200 1500

箱2：1500 1800 2000 2300
' Z: g/ \$ ^. o' v
箱3：2500 2800 3000 3500

& N+ V7 x/ x0 h$ X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
! C* P- J$ O0 }: W& X
* e: ?8 S( e( x; M7 W箱1：800 1000 1200 1500 1500 1800
- S3 w4 @) h) `8 w4 Q6 w% K; \. y
箱2：2000 2300 2500 2800 3000

  V; s% J8 P) L1 f箱3：3500 4000 4500
$ q% h' a; j; `5 u1 u7 m9 A
箱4：4800 5000
9 T/ {/ t8 y# e
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; R/ T4 x& g) h& }
3 [4 K( u$ W) s7 }箱1：800

4 R. ?" \4 m- n1 N箱2：1000 1200 1500 1500 1800 2000
/ a. a1 K$ [( C2 i- H+ i
! x- B7 ?, b! f" h9 p& `. a箱3：2300 2500 2800 3000  

! F  B6 x0 F' k. @7 T箱4：3500 4000

, h/ Q1 m4 G+ j: J7 x% k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。

4 K- m1 ?# |6 q( q) O! ~2 @2 a9 q⑴按平均值平滑
. x; g' J% b. c$ \: j8 x3 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。
* X0 R# E: D0 G& b6 N
, D" X$ F: M- b3 |- s5 v) ^- a⑵按边界值平滑
0 Q. m; t: j! X  B- t2 |, |
  T' k$ \3 p0 F) f2 Y. m用距离较小的边界值替代箱中每一数据。
$ l/ ]( f& s6 I7 v
9 ]6 i; j) F% e, g, w⑶按中值平滑

" o! e4 s. U8 P, W6 t取箱子的中值，用来替代箱子中的所有数据。
' q$ ^+ z! F4 o$ l3 T
2 @+ t$ Y# o8 G4 d8.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。
, A7 k6 L. ?' p* ?5 n
6 p( r2 T7 G9 N' x6 W# }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。

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。   
8 z. @; n7 d* R% K- i
, p* F0 h/ H1 _( Y10.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
% @6 K1 K" C3 M' {, U2 |3 O
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
+ `% g" {- f* ?6 S; o9 [
+ Y; B* K+ d! x# `/ D" w0 N; 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
( @4 I3 B" U( `" E
' }6 n" G2 U7 E6 ]" k13.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。
2 [1 ^3 x( Z  n7 u) ?! h- @  J
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。
: w& H; [0 @& O9 Y/ {! C0 l( [
维归约：去掉不相关的属性，减少数据挖掘处理的数据量。
6 ~/ r( R- x3 [1 g% [2 W
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   
; E( L1 N! y+ L
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     
1 C1 g' R2 E  m. ^' v; [
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

8 A  o: O# [, @/ Y" k*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]。
( {8 U- @3 ^6 U
x’=  其中：x是属性的真实值，x’是规范化后的值。

4 }/ t+ I' t. b, O% M- t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：
; B! d; y# H/ a) A
x’=(1.0-0)+0=0.716

8 w1 U: u7 Y2 ~7 e" r6 B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. y5 I6 Q0 Q% n! ~3 p1 b( h
(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：
) g9 q3 E7 Z. B* m) O9 N9 r# u- h
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。

    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
. i' v" g+ F3 j
(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 。

$ h& |* g9 j- B+ c' Ox’= 为满足式<1的最小整数。
& ~& R  q/ [. V: k
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
- t3 Z! Q- k/ ]( G% V* Q3 I) s————————————————
5 o0 S1 A3 a6 U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
/ L' R( D. G9 ?7 V' @! R

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
4 B* }& c+ Q" y+ P

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！

$ P  Q; k: }/ x0 H, |- W
2 h% f3 \/ n" D7 o; B  {

浅夏110

浅夏110 发表于 2020-5-21 11:36

1 ]/ ~9 L; ~& ^# U/ ]0 K  E
9 \/ t& u/ e) K6 J3 j  j' O