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 R: T% D% t4 v) M  ~6 G2.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。
( @4 R, d3 D9 ?/ i) ^4 \6 z
3.数据挖掘中使用的数据的原则
) r$ G1 o' o$ K4 `3 \
: c7 _. m- |; z& C+ \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。

& x+ _8 j5 ]% v/ L2 V4.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。
  P2 }: r3 G) G: o; i2 \
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
. J* n: }; j; {4 }  t( ~
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。
% F7 d3 J2 S, H; r9 t* Q0 v0 Y
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。

; T& x. l  z! o; H7 e, d& ?0 l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。
' d2 F" c+ d% S) _7 a: y4 T
! q5 u! B* H/ l8 n2 ]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。
2 w1 m* N4 R3 t6 M' y
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
  Q% i4 _0 G: T: Y: ~2 V9 `$ x8 E
9 X/ B$ D; E* q, m" \箱1：800 1000 1200 1500

, t3 h+ m0 K4 v0 Q$ ]( b! W箱2：1500 1800 2000 2300

箱3：2500 2800 3000 3500

箱4：4000 4500 4800 5000   

2 B0 ^6 s  W" S$ [/ P5 J5 Y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

箱3：3500 4000 4500
* A1 s2 N6 z% i
箱4：4800 5000
6 N3 V4 I5 Q2 m) D1 Z4 u
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
: `! c$ W5 Z$ Z1 G* B
* ~0 O/ W5 q( P5 N4 ?! k箱1：800
$ c5 p% F2 D4 _$ x* X# i4 [+ o
0 h; ^% u# j6 Q! a. b箱2：1000 1200 1500 1500 1800 2000
/ ]: L& N# r' \7 e
箱3：2300 2500 2800 3000  
2 j% @3 Q5 w& F! Y6 P1 I
& |( v: |6 M1 a, K" |* _; D" y' _+ q& L箱4：3500 4000
. s9 x5 M; M! I" w; l4 G
箱5：4500 4800 5000
( ^9 B6 o4 j# x8 k
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。
9 p7 n- ^! X! R; B" i; u& i' m
2 J0 D$ e7 v) ?8 \⑴按平均值平滑
# E! n3 Q" U  i' O* s# n; w
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。
2 O3 N0 `# C1 c0 u* O2 K
$ ~4 H/ g' `2 T1 w* V⑵按边界值平滑
) L3 z9 `4 I9 p3 P, g- K1 `
# `: e: p& l: f# y; G7 ?1 n9 r用距离较小的边界值替代箱中每一数据。

⑶按中值平滑

取箱子的中值，用来替代箱子中的所有数据。
, `% V- l6 c; u& I$ f' y3 e, |
7 q8 Y( _8 ^& O8.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。
/ J% U6 V7 c- a# j9 M0 Q
4 M" a) @1 q, a0 g& m& @9 M8 ?3 v6 z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。

3 ?% ^1 F  f  L# G! 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。   

( X2 ^" u& c5 k10.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

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 t4 W2 Z( a' \, d* _  ?; n. I' w' C; F
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

. w3 W' v: ?% @3 N2 a9 D13.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。
' s9 m& _* S( x( G2 \6 \) g
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。

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。

( a! \* a1 Q6 A0 T1 h( \维归约：去掉不相关的属性，减少数据挖掘处理的数据量。
" e. H) f, K; b0 z0 y
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   
$ B9 _" B+ ^$ T2 K) A* R1 g% }
  C. D9 [6 v2 T7 |, S9 l数据压缩：方法分为两类：无损压缩和有损压缩
* h# f- ~# B2 i, x, h# ^5 p3 a
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     
% x: Z  u! c/ I- l" K
' T# o) p# F. l) j& Q4 u15.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]。

( R1 A# O8 z, V1 ?$ wx’=  其中：x是属性的真实值，x’是规范化后的值。
, j& W- M. z5 a, e; K: [4 J, j5 b! \
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：
0 {, ^5 A. `4 x( f
x’=(1.0-0)+0=0.716
0 o3 Z) E- U3 n+ b: Y( j. y$ G0 f
. Z3 m9 `, S( `  p. T, Y; D- O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。
- N% X+ J; g5 a- u0 a4 M
(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：
; `( p9 p% T- N2 ?( O
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。
1 K+ M! k( F0 u  B
8 r+ q# W( ?5 H+ s* S3 O& N    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
* A3 }  a8 U; e6 |. h
(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 。
8 P+ j) z5 p4 R9 H0 T; S
; M2 {' X- \8 w2 A2 l1 E3 fx’= 为满足式<1的最小整数。

' d' R( \8 y& u& U7 K' y; ]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
1 U( `" z, ?) A' a' p! \————————————————
7 c8 H8 `  d# x& Y) I; o2 w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。
9 }' n( B/ i  u4 n原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956


* `2 m$ O: \3 f; U* W

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
5 |# P6 e! s# @! B2 I, o3 K" y7 N

德古拉

good content but bad edition~
% g4 a8 b: r& P5 w5 A+ q

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

7 m; m3 K  v. [
: C* e0 ]' Z0 Z; l6 `; Z