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。
) U, l' J1 c: @; M' Z
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。
8 p3 ^4 w% x0 M0 q/ I
! L  H3 ?5 }4 y% V. a3.数据挖掘中使用的数据的原则
( y( }' O* ]/ F! r3 W
, `+ a, |( u3 H1 {7 B! Z+ M" n) ^0 [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。
) `# L$ L% n4 f2 d% h6 t6 m
% k: |( P7 _8 ~5 Y7 E% X' H$ w5.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
& ]7 P! `7 L4 e3 {$ r! }, o" p
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。
  k+ L( o9 s2 X  R& O4 P6 t
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 H" n8 T& O& ^/ a$ E0 n! @& D* `
- Y6 q, }# V, q( o: U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。
$ q' @9 N! o# J# n. [
5 y' g! Q* ^. w, H' i4 H) F9 s0 U. S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 A0 }0 F& S& h9 S, I' V' S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。
- G' f! Q! W# p3 k0 @" h! V
! Q, r2 ]% H' _+ j# @- ]3 R9 A统一权重：设定权重（箱子深度）为4，分箱后
) \( n  Y+ @1 r5 \$ s
箱1：800 1000 1200 1500

! K8 c/ ?2 W2 a& ?" T箱2：1500 1800 2000 2300
) E, i( C! ^9 X4 q  q" h
箱3：2500 2800 3000 3500
/ t  h5 W8 ?1 d
" s' P/ }: p# _8 Z$ v0 E0 K箱4：4000 4500 4800 5000   

$ |+ _1 X8 u8 |7 ^+ q* E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
( g. s  L; {5 V$ J4 L4 |: P) p: B
箱2：2000 2300 2500 2800 3000

箱3：3500 4000 4500

箱4：4800 5000

* K) o1 F8 p# F4 Z; o0 U7 M& O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  B8 e1 w  @  I; E8 @箱1：800

7 l% R% d4 q' W, V: n* P3 h箱2：1000 1200 1500 1500 1800 2000
" o! O7 l) V4 [0 d# y, q- x
箱3：2300 2500 2800 3000  

箱4：3500 4000
' S2 Q& {3 \$ n1 V/ Y
箱5：4500 4800 5000

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。
/ y( m/ h7 l8 O$ R! h
+ ^! a* g2 t5 F$ G⑴按平均值平滑

# v) _' S4 s0 x- U# C! H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。

: O- T( _! ?) x* ?) B# r) h⑵按边界值平滑
: l* M$ O* x+ \. X7 L% j
用距离较小的边界值替代箱中每一数据。
1 g+ s2 k: K. n! u. O% k
) t6 N4 G8 D* L. @" k, E7 T⑶按中值平滑
# x9 a7 A$ k) y2 E# o
- I. U9 X5 Y5 [取箱子的中值，用来替代箱子中的所有数据。
$ |8 o  t% l- j: s
  z5 B+ k" J) D8 F- B9 {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。

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。   
9 C" M6 M. o8 C, C6 x  A- h1 Y# k
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
  g) C: v5 W0 y
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

# t1 ^" F8 |- f12.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

, J7 @1 @" q1 _( H4 u: t13.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。

1 n' `& P: K, Y" \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。
0 [$ i; J: g# K# C' W$ h
8 V1 C% L( g: y" Q% R, Q, O14.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。
4 h4 j6 z: m, j7 \) ^6 R$ B
0 @: L: q5 U* `/ s$ O2 W4 G% {维归约：去掉不相关的属性，减少数据挖掘处理的数据量。
* \1 M6 h& C) |& F# u* p
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
' d; k+ G  M$ Q, a+ q8 T  _- }
/ A+ s$ ^' S; 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     

+ j, H* X. F- Q) k1 B15.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]。
9 K8 ?/ Y. g, f5 E1 d, r# O6 z  S
x’=  其中：x是属性的真实值，x’是规范化后的值。
' ~9 S# l$ ^, \6 ~* W
( u: W" C# X; a- C3 l* h7 s9 e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：

8 |# m: Z" M( ]) n( P! _$ mx’=(1.0-0)+0=0.716
; r+ L0 d4 u( e& e
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。

5 k' k1 A( {, ] (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。
( [8 S1 R3 A1 K% X
    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
3 Q6 Y5 y: t9 T* m3 Y
(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 。
, L3 u3 _9 S) x6 N/ F) [
x’= 为满足式<1的最小整数。

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。
5 T1 _+ s# N9 x# h* h原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956
+ ~) k, j9 Q4 B2 J6 {6 G/ \
1 q, |+ A/ A9 G/ h, @0 m# t
& q% E  H1 c+ H6 {5 `

浅夏110

浅夏110 发表于 2020-5-21 11:36

5 ?/ W5 `# w! O- L9 N

浅夏110

huangyanzuo 发表于 2020-5-19 12:06
% c: T' L$ M. q! }+ [棒！棒！棒！棒！棒！棒！棒！棒！

0 y! \3 v" h7 O0 |; `: \! r
' j, W0 o; q# \* z8 Q

德古拉

good content but bad edition~
9 i# U2 J8 Y* U

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
1 }; X) ?- ~6 X( u6 W# s