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。
* }) W& D2 @6 J4 N% j
! [7 K! `9 Z# {3 u; g: D4 h3.数据挖掘中使用的数据的原则
* J6 u# ~# d: G9 i. M
. k8 o; ~9 j/ U3 @  p+ Q# S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。

% V( a! R! m7 o9 I; F- Y3 V; S6 w4.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。
* M1 a) c- i" b. z* x/ ]0 n$ a0 u3 K
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

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。
: l& Z# z" K: j9 N- C8 j0 t, u- y
9 U8 v* O8 r: E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。
/ P1 p- |8 Y5 ~& _# A6 X5 c
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。
* D1 N. a, Q! ^& ^! N
: `+ ?' V; g2 x+ k0 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。
# Y7 S4 N1 R% D- o# z
) ~: a3 M+ Y3 \) C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。
7 R% }" A/ r  @3 N, |
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。
2 M( Q7 s  L* N1 }$ D
2 ]& s" I- N" r8 @统一权重：设定权重（箱子深度）为4，分箱后

5 d1 g3 A7 q6 s5 ^0 B' U* C箱1：800 1000 1200 1500
$ W! M" e0 G" ]( Z
3 H: n" L" }, z! B2 q箱2：1500 1800 2000 2300

7 u8 h1 h2 C& w8 ]# ~. }" r箱3：2500 2800 3000 3500
' i+ N3 ^% O3 j) ]! W' w
箱4：4000 4500 4800 5000   
' i' q# V2 Q9 w; H' [! |
: V8 r6 l$ O# Z& w# p% O/ G; [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
% q; f6 N$ F' ~6 l# ]' V
$ V* |) m1 y! w" J9 \7 X箱2：2000 2300 2500 2800 3000
) Q) G/ b5 N: I( K3 X4 j0 r- I& H: f4 z
6 E. f$ ]! Z2 T; O  @' y箱3：3500 4000 4500
8 [/ X% s" s8 x5 U8 s* \1 c+ F
箱4：4800 5000

) X9 l+ u$ A9 C1 A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

! P: L" E4 k! m) o1 i8 K箱1：800
# D& R4 C- e$ B3 m5 M
箱2：1000 1200 1500 1500 1800 2000

( E5 N, y0 v' O* |8 z) d  l1 X箱3：2300 2500 2800 3000  

/ w" [$ ?7 [' G* B+ N9 d* h箱4：3500 4000

箱5：4500 4800 5000
3 t& }; r% Q0 X& A+ V% k8 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。

⑴按平均值平滑

: N% w1 o, _3 s& U, O7 L+ t( Y' \) }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。
( F* y0 H' r3 w
! u0 K( ]0 x* j7 C% X% ~% }⑵按边界值平滑

用距离较小的边界值替代箱中每一数据。

⑶按中值平滑
; s/ q. n" \, ?9 v1 E
7 D6 e( O2 |1 V& C. f取箱子的中值，用来替代箱子中的所有数据。

7 c1 l1 O9 F% l% `# b5 i; s( u8.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。

: Q2 l- O: a$ u& |5 _: J$ r9 {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。

' `8 ^( A& T) V9 ]# j6 j' w: n5 g& ^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。   
/ c! Q; G5 A1 z; G
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

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

% T7 s2 g$ ^4 p$ H- H* _1 R12.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。
. [% P; z6 t# f# C
6 O4 O0 R" c/ Y% p" A2 u) i14.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。

- ?2 P, [9 j+ ?% \4 [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   
# U$ s0 e+ N/ c( o; c3 Q
数据压缩：方法分为两类：无损压缩和有损压缩

8 e; W1 I& R: l) ?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     

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]。
6 U$ B1 u, M) v9 L8 ?$ C/ Q* F: M% [2 j
x’=  其中：x是属性的真实值，x’是规范化后的值。
6 z/ z# ?' c  P0 a, f5 k* t- x
2 z+ {; t: b6 r' P% L4 X! V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
1 o8 w- a. ]' ~# L# E, L& D3 `3 h
. C& f8 E# m7 C) {1 n6 w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：
" ]4 u2 m& `' \3 x! n
) D( n7 z  ^* H1 rx’=   =  =    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。
" P, v/ \4 d' R, G
    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
, |: A# n/ q5 e) 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 。
; W1 `4 I1 g2 g$ Y
x’= 为满足式<1的最小整数。
; O1 e% \2 I! a3 a# y( V& 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
" q4 a! L7 Y, L3 n8 O4 o( H$ o; U————————————————
1 ^+ R- ?- ^. @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

0 u6 D, |& L  c1 E7 \5 ?& d

浅夏110

浅夏110 发表于 2020-5-21 11:36

  f0 v- ~& T/ Q$ S

浅夏110

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

2 e, H/ c7 L5 y+ ?2 \# H, I

德古拉

good content but bad edition~
1 r( B) j8 r' Q) Z; u

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！