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。

+ B6 d5 H. Z+ P2 v2.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。
  w% @/ Z' y! G7 X
3.数据挖掘中使用的数据的原则
( \/ E/ O! J5 L! l4 g# s
% e& U2 h" L; `8 c, }5 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。
* k/ }# J/ n( r/ `3 I( K
( j; m. P  y) n8 d( H5 X4.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。

+ E3 ?/ S+ h$ X5.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
; C3 ~" c! N4 v! ~# P: V
9 A7 V8 ~8 o7 F6 I, L& B  @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。
9 I" Y* }1 `2 U9 F$ {* P2 [
3 ^/ B) F4 w) U) q8 W9 y% i- A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。
' Y! x# @4 u  D3 c4 L3 g( 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。

( G1 u) `  n4 H( 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。
$ E* h0 T- `  {- R
3 \% K  u  F3 R7 \' |! X* r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。
( l% T8 l# v1 m4 V7 [+ G
7 Z+ d/ T5 `+ x统一权重：设定权重（箱子深度）为4，分箱后
8 ]2 r  c2 ?( }/ S; ~/ A6 r+ Y& J
箱1：800 1000 1200 1500

箱2：1500 1800 2000 2300

# e4 X& n. N) l  U; D% _箱3：2500 2800 3000 3500
. Q; e$ d9 |) x8 D! J. z; p
. A) a( m1 z+ i% ?0 l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
- T. z. W5 z: V$ c4 R
箱1：800 1000 1200 1500 1500 1800
. N; M5 v& `) w! P
箱2：2000 2300 2500 2800 3000
; E( z& T5 T8 P/ }$ K4 f
箱3：3500 4000 4500
) k4 _* x* Z7 b
箱4：4800 5000

! J7 j+ g4 a, v% P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

$ J9 |1 ^" |; G5 x% D6 s箱2：1000 1200 1500 1500 1800 2000

9 i9 n' g. x" G8 Q6 I5 v箱3：2300 2500 2800 3000  
' z! T6 I9 E* u& G. i5 s: C
箱4：3500 4000
7 g/ g: H& W2 m) A
0 x0 p% b. y4 L0 c, |9 Q4 j箱5：4500 4800 5000
" X/ t9 c1 k4 U% i8 J0 v7 x
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。

% b* ~4 c7 S" B, d# M, h⑴按平均值平滑
  r' |) Z9 o2 y( @3 R
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。
5 Q" `: C0 l5 K( b0 [" D+ A; m% `
⑵按边界值平滑
/ ?# F* V! F4 |! o6 }+ R
+ N! D  j; t: ~% ?用距离较小的边界值替代箱中每一数据。
4 ^3 n- ?+ O7 W; N3 {
⑶按中值平滑
% V% m8 P9 F3 c% v# I+ h
取箱子的中值，用来替代箱子中的所有数据。
1 e- r+ ~* E& S. D  O3 \
( u4 ~4 a. x# J6 F8.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。
. N7 f( C' A4 X8 T" p# `
4 ]. s; f- U8 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。   
- c+ r5 F) x# e  z3 {
/ `3 x2 F: O. z  C10.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 |$ l& E8 d- w- \) Q' }
! q4 W" S& M9 f$ q8 g# \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
9 z5 P+ b( H5 U: c" \" f, o
% }7 L1 g: Z8 b7 \( l. ^# y12.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。

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。
8 Z& ?! t  k! e* s+ n; ?2 e
7 ^6 g3 J6 \' }9 v14.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。
) ?+ u! s$ s4 G6 v+ K2 {
" c3 [! s8 A, M5 `  U维归约：去掉不相关的属性，减少数据挖掘处理的数据量。
2 W/ w0 e; H6 Y& @; `( Y$ H: `
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     
/ S. f( T1 m$ t4 Q/ }! L) H
% }" o+ ~$ v1 a2 B3 A" s2 O15.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

* I! j! o' u- _; T: }) l; L* C7 u*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]。

x’=  其中：x是属性的真实值，x’是规范化后的值。

7 w# C  G5 U" b0 C& S0 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：
; H+ ^1 R9 I' H* v# V2 j! k  z/ ~3 j
x’=(1.0-0)+0=0.716

8 U# v, r9 B5 c+ A; z4 a1 [! y" J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。

(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：
  J) d5 R# U# w( D! O
5 d- m' r( m* ^- z6 N. }6 mx’=   =  =    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。

9 \$ w; x9 S. I* @' N5 p  I. [    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

) d4 M' K0 @+ u$ R! ~) O9 D3 L(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 。
% u& G7 H0 L1 |& F$ i6 d0 e
x’= 为满足式<1的最小整数。
4 A4 X1 F" h. G
5 [9 D9 ~" d- g; H- u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
) N" K, I. B( z3 g————————————————
$ k4 k/ Q9 \- S$ g' u+ G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

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！

德古拉

good content but bad edition~
9 _" p+ C: s9 ~' s* l/ P( I

浅夏110

huangyanzuo 发表于 2020-5-19 12:06
棒！棒！棒！棒！棒！棒！棒！棒！

$ _* Z$ _8 b/ z" O

浅夏110

浅夏110 发表于 2020-5-21 11:36

& M: T* |1 f, A7 t* [9 Z9 P, z7 {