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。
4 H7 b  _" L' C& t7 E5 z# C/ l+ r
8 z! F) V# o* K! M; T( z; ?% w2.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。
  e3 k+ E0 a' S# J
3.数据挖掘中使用的数据的原则
3 P; X. W; ^2 n3 R; a6 O
' c! m9 l/ ?9 F! a: X& ]0 q) @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。
- O: t' N- ~" y2 _) x/ r
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。
, u, L9 l3 `$ ]1 w7 }! r
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

, z3 m  u; K" j2 L, m6.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。
$ t$ s5 A: W; V; m- f. e6 X
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。
4 f: E  v. S- s3 q6 k' I
  J1 J9 P* h: K) M) a4 C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 {5 g3 P" E$ n7 h
: P* U. R3 }9 }" Y. F9 u! I0 Z$ ~* n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。

2 R  q( x9 X: C) g! X* G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。
+ R" n4 u4 ^* t$ `# ]
统一权重：设定权重（箱子深度）为4，分箱后
! ~+ R( [: f8 ?
箱1：800 1000 1200 1500
( F/ r% l1 C! n
箱2：1500 1800 2000 2300
  g( I. V/ n+ W' l- V" Z9 v( H
箱3：2500 2800 3000 3500
$ ~( Q( a' J# s& m" S4 c4 F: D1 b  u
  p9 e$ W" W& s2 s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

箱1：800 1000 1200 1500 1500 1800
' K5 ?6 p+ d# a# W' z
箱2：2000 2300 2500 2800 3000

箱3：3500 4000 4500

! L  l( Q) l  q; U2 P+ I. v箱4：4800 5000
  f8 h. u9 x& [! I2 K( e( @
( i: R' ^- i+ d' Y6 ^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
/ h, K. @8 j; R7 M# V2 k) T: W# q' ?
/ {" i( m' E2 P+ K' v箱1：800

箱2：1000 1200 1500 1500 1800 2000

! {# q$ K. D* J2 y箱3：2300 2500 2800 3000  
# ^' f. |& Q: p( h
箱4：3500 4000

. J) @; a! c5 y2 F% @; Q5 u箱5：4500 4800 5000
( M: q5 }5 o9 ?- [5 M4 t
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。
, `( V; d5 A& ~
5 Y7 }( b/ C7 I6 \⑴按平均值平滑

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 f  y' b/ ~( ^, t# H9 \⑵按边界值平滑
- B5 }! L8 ~9 |0 k3 T) `! H$ G  g
用距离较小的边界值替代箱中每一数据。

0 q6 w( m! a2 R  C  k& M$ A⑶按中值平滑

取箱子的中值，用来替代箱子中的所有数据。
& Z- p; m3 d5 r
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。

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。
0 ?! }' X; p4 [2 ^! i  w  c
2 W# M9 T: z, E, L: K& Q3 x; `" j: Y5 X9.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。   
  n# |, N0 _: r& `0 N" f
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

+ n: V2 I8 `- k! {- p4 v- b11. 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
+ F$ z# h- @; j" ]0 `$ N+ o
% ~. q  K, Q3 \, k12.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
, \, t5 E% [4 K4 B
  Q' {( C4 q8 Q$ O. f13.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。

. h1 s. p& }8 G- Y) `8 p14.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。
* K5 o/ F; I; }& N
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   

; @3 @2 ^/ y1 g, t  T+ n数据压缩：方法分为两类：无损压缩和有损压缩

) x& R' k$ @4 H  ^$ L- Q5 O' ?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

) ]+ z9 v! e. ]+ ~( e*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]。
* y' Q/ j3 j7 F4 e
x’=  其中：x是属性的真实值，x’是规范化后的值。
' _  ]: F8 f( P- ~  F
* ?, O. J. x" ], j4 j1 t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

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。
6 U0 |" k+ d/ `% T% C8 k
7 v$ T4 _' U+ o. t4 ~, ? (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：
" M. `0 o+ F$ g: ^: R* q- M
0 H, M% a% T0 jx’=   =  =    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。
$ i0 d; L7 t' w4 W0 U# S4 l
6 t! m, h3 `# Z) S% {) [+ t+ Z    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
' H* A/ b7 S' r# ?: h
- B# `& e, b5 m(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 。

x’= 为满足式<1的最小整数。
: z8 i9 N: x& @' D. _  A  b
  A9 W8 f* q( G1 ~. Y: t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
————————————————
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。
+ e% b+ e" N7 ~4 Z- l1 }原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956
! U+ q$ x5 B0 O' n5 ?5 K2 S
" F; b+ B1 F- m& Q" B

浅夏110

浅夏110 发表于 2020-5-21 11:36

: n$ T+ ~8 A: r0 N  ?8 E: _5 c2 E

浅夏110

huangyanzuo 发表于 2020-5-19 12:06
$ Z- B$ U5 Z4 {2 \& L6 {% y棒！棒！棒！棒！棒！棒！棒！棒！

% P: f0 Y/ a: e! m: y# x. P
- n8 p% G) D  q

德古拉

good content but bad edition~
: w) u) X* O* Y0 Z4 a- q- h' X

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
" T# p+ q+ }7 G" p3 y