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。

5 n$ T& b/ a0 J: g6 p1 @! h8 M2.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

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。

9 C. k5 L  r& \# W$ m' Z/ g4 y4.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
5 {8 i4 g- u, M1 b/ U- o* H
! K! k3 s$ O. n6.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。

/ D! t& z# \; S- ]7 h5 ]! O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。
/ e# x. s+ f% c) U$ S: b
$ l9 r' S- b" m% k7 h( M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。
1 R# k5 {6 u% L2 R( b) z
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。

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。

! K7 l' n! V4 b# C* ~1 D6 M  [* i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。
% [. s( y1 J3 J) B) j
7 D) L$ a" h/ a  W/ W统一权重：设定权重（箱子深度）为4，分箱后
+ f6 W; g3 ?  A7 V0 Y2 @
箱1：800 1000 1200 1500

0 b7 [7 E& F5 ]6 v9 i" o箱2：1500 1800 2000 2300
/ y6 ?- M5 O" @2 E3 ?
; [# P$ J3 ~7 o+ q1 Z/ v5 [/ ?2 T  A箱3：2500 2800 3000 3500

6 v, X! F5 G1 O( M) f箱4：4000 4500 4800 5000   

% E( y4 v) w- A  r- |. u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
8 O( Z+ G* H% N( q/ k7 F" c
箱3：3500 4000 4500
% f6 f8 r: T* I9 f. l8 J
箱4：4800 5000

) }# ^6 M9 k& V+ 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

箱1：800

箱2：1000 1200 1500 1500 1800 2000
1 ^% I. q/ m& T0 R0 S
箱3：2300 2500 2800 3000  
; F+ a9 I; D# m2 g7 ~
8 [5 Y5 o! l% d; x3 ~箱4：3500 4000
+ c3 c$ a, a8 X* }1 p
6 O% V; ]8 j/ i5 t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。

$ r; n) j4 |9 }  B) }( o⑴按平均值平滑

7 Y7 N$ V8 z2 x3 g5 l# y# H0 _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。

⑵按边界值平滑

用距离较小的边界值替代箱中每一数据。
7 w% G/ I0 l% k3 D3 l$ N
4 }  _2 m; ]5 V( D/ N" `⑶按中值平滑

取箱子的中值，用来替代箱子中的所有数据。

) G1 Z7 h, r* h2 C8.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。
5 E9 m& {( B" R# z2 }
/ U- F( e1 n+ R- h$ g% p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# e" k: p7 V7 b! M5 F/ w$ X* c, Y
: i8 _. f1 P; h; Q9.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。   

1 x/ L* A( @% }9 l. A% z- Y% t4 E10.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

! f" F: H  R( P1 X, [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
' ^1 u- b2 e; q7 S2 _: q4 q2 h
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

+ P4 j" s% o" E* ^5 u7 j13.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。

- L. s1 J# f0 x. p* z14.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。
, ^* g$ N3 r+ R  H( e% S! b
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   
6 I+ g3 S0 m" U& X, ~' z; s/ W3 |
5 s0 m3 V1 i1 `数据压缩：方法分为两类：无损压缩和有损压缩

4 ?8 t$ `- V$ a9 Z$ j! ?8 R5 f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     
. E+ V, K) b/ x/ Z# e! f
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

*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]。
$ a' K: R$ S% s9 E, w6 F) A3 e
x’=  其中：x是属性的真实值，x’是规范化后的值。
, C, u# b; O' q+ i  N% @
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
8 }  B) y6 D7 D
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。
% G" V- c' R: M% A
(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：
! F; |5 V( W" W9 m% [" E
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。
" r4 V0 C% i: D( ^2 D  _' `1 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

(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 。
4 K) y5 ~$ S+ u6 d4 G3 E! u6 R
7 ]6 y! o! r) K" `# m1 ex’= 为满足式<1的最小整数。
, p+ z/ j/ x+ I- k' g
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
( }7 u9 y' k  w6 s. l# A  q& C————————————————
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。
+ p; q7 y+ v( ]; X. p原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956

4 q9 D- u& D; D0 |7 p3 E! `" C
2 ?  i* P  i6 y2 U& P

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
3 N- m9 A+ _+ X' I* q6 E

德古拉

good content but bad edition~
3 X; f- ^" t! j" v

浅夏110

huangyanzuo 发表于 2020-5-19 12:06
1 A0 m1 s1 g! c& H) T. V1 h; s棒！棒！棒！棒！棒！棒！棒！棒！

3 G. l( l. M- I: ?  g6 M

浅夏110

浅夏110 发表于 2020-5-21 11:36

: R/ m( S% H5 |* z  C+ e+ j
2 K4 j, @% m0 X+ g