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。

, X- }7 s4 k3 l2.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。

  H8 J2 H( R, L4 }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。

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。

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
/ C6 L  v1 I9 w! b
) D7 O7 X% E6 c. ?. Q6.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。
  ]- c4 I; {: Q- W5 v0 i
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。
$ |: u" j4 v" D- F
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。
0 z( G, h; v1 _# h, b+ |2 k! d
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。

5 }; A; ?& L! V: q& V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$ `- r) C; E& \
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。
  T6 {: v4 {4 o% Z( n
6 p- I& I$ a8 f9 y  G. n# S& b! k7 U+ j统一权重：设定权重（箱子深度）为4，分箱后
  x5 B" J" T# j  U
箱1：800 1000 1200 1500
9 `* M$ D1 Q2 V+ U& o& W
箱2：1500 1800 2000 2300

箱3：2500 2800 3000 3500

" u! M% U3 x1 W, @8 Y; P4 l" ~! v箱4：4000 4500 4800 5000   
) Y) K; z; z* B8 w7 Z! K/ P- C
5 N0 J7 q# c* q$ N( U3 J' q4 q统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后

6 y1 E7 S, [! j, B) A3 h箱1：800 1000 1200 1500 1500 1800

8 |; a7 }2 ~% g: |9 [0 U箱2：2000 2300 2500 2800 3000

箱3：3500 4000 4500

7 L/ d4 F. e, z- n6 C箱4：4800 5000
4 E& ?: B$ Q  s1 l8 k0 q9 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
3 l& o  E; r4 k. ]* s' p- `4 p
6 Z* L8 E2 j# |0 l+ T* C箱1：800
! \+ G  k( y, \* X
箱2：1000 1200 1500 1500 1800 2000
. j$ ~3 }( w: L! J0 E$ I
+ S, B2 M8 [- l+ H箱3：2300 2500 2800 3000  

箱4：3500 4000
4 H4 S9 X7 l, Q; n
箱5：4500 4800 5000
! u5 J' \4 o% k* a
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
7 d' v2 I* z0 [8 s, J9 {
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

4 T3 P3 G8 V* [* {* X用距离较小的边界值替代箱中每一数据。
; \1 C# C5 s% o: I$ D0 r2 q2 {
5 P% m& X' C, D2 W$ d% R; k⑶按中值平滑
. F5 ]* @2 S( A' n7 k7 v2 n
取箱子的中值，用来替代箱子中的所有数据。

8.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。

6 b2 w; ]# `2 n; X7 Q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。

% u4 ~6 K  F7 e0 g9.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。   

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
+ \' m* n' x' P
9 s5 l; J' D: `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
& H2 _4 N5 M! q
  B, K$ B4 B4 V% o. N) ^+ N  ?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

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。

8 T9 c, [1 a7 I- g. Y1 k+ n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。
* q& P) }, |; O5 z
维归约：去掉不相关的属性，减少数据挖掘处理的数据量。

' c/ M$ R, E5 d8 V% F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   
" F5 o8 p: }/ u1 Z/ f
/ c5 {8 N' ]. G# n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     

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

/ Z+ `# G9 H" l6 Z2 j*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。
: o6 W) _% i9 A8 A- M* f
( f4 ~: D9 z1 J- R3 H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：
" K5 U9 ~: G- u# S1 D+ g% G" h% V
x’=(1.0-0)+0=0.716

$ \: [& N6 ~" }# ]; @9 K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。
# `" W/ x$ J- t* B: P) Y# d
6 }  e  A. ^. u( _0 V (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：

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

5 s; N. Y# M  z! P; ](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 。

; m% W, s5 t! X1 n1 g7 [8 nx’= 为满足式<1的最小整数。
$ E$ C" @3 a' f. {( u& j
& H  J; \% C% b* }, s, u1 L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
————————————————
' R% {0 Z) g$ z  y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
- K  J8 q5 X: G- Y
& G* c* c* Z; I: l6 M5 s6 |: }

浅夏110

浅夏110 发表于 2020-5-21 11:36

浅夏110

huangyanzuo 发表于 2020-5-19 12:06
: C. s3 ], [# N" \' ~棒！棒！棒！棒！棒！棒！棒！棒！

德古拉

good content but bad edition~

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！