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。
' b4 f3 [: b( `2 e
* l$ \9 H, X$ Y: b2.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。

3.数据挖掘中使用的数据的原则
: q+ h5 l+ H0 ]- |( N) e
* J5 B+ K9 N6 U1 x. A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。
7 ^$ i6 d! S& Q) I  Y
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。
, V' ?/ p; M6 N! w$ K( R& j5 i
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。

1 [) n5 ]) I+ i# c* ^& n( ^+ f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。

1 o! ?+ l/ X8 N( T" C& g! P) F2 p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。

' b5 T6 J4 r+ ~$ d- W) @, P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。

- g4 t& W0 U1 M, Z' L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

箱1：800 1000 1200 1500
$ d& R7 g) b, I: d/ s# e
  P. h& w. Z0 u2 z/ Y4 n; ]8 O箱2：1500 1800 2000 2300
; L% w+ h5 v. ?
4 S8 A  ?( i$ e箱3：2500 2800 3000 3500
; W/ T9 M2 O1 Q3 Q  t
( Y8 [& P, @: {0 g' Y# j: G箱4：4000 4500 4800 5000   

; e& J/ f. @" x% S+ H' {0 Q. 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

( V" T. D% ^+ j5 @箱2：2000 2300 2500 2800 3000

1 w) ]3 V/ y9 j( Y箱3：3500 4000 4500

箱4：4800 5000

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

箱1：800

. {. E9 |/ ?1 a, z1 e. r) I! T) w& K箱2：1000 1200 1500 1500 1800 2000
1 S8 Y) z  u$ J  ^/ X7 u6 L4 y
箱3：2300 2500 2800 3000  

箱4：3500 4000

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。

⑴按平均值平滑
7 m! @; q9 W9 O. \% e' l' D
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
' y  o9 y* Z1 h
用距离较小的边界值替代箱中每一数据。

1 A+ H2 @% ~! {⑶按中值平滑
  R5 r3 g; ]. s
4 i+ @) b7 g6 m* _取箱子的中值，用来替代箱子中的所有数据。
% L. S. R5 G1 \- t
! w' v& m1 Z: f$ Z8.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 G( p6 l7 f5 v6 F( \3 a
. m$ b. r3 q9 o( B3 d6 q$ ~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。   
$ Z* {$ V  p0 U
# r+ \+ X; a' A( o7 R6 T2 O10.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

7 {) a& O. J# T9 s11. 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
+ E7 p5 P, Y1 J3 N* C' c
. h" y- Z2 K* {# s3 E$ _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

1 L4 o6 v! `: V13.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。

- S0 B# P6 U0 }- X; D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。

+ g$ V7 _  A) k% i+ n% v14.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。
& O% G! }2 ~, I: c* o9 J) q
) i6 l" c5 B6 Z4 y维归约：去掉不相关的属性，减少数据挖掘处理的数据量。
, c: C( i* A1 M7 y$ g  _! A* c
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   
* O- W3 Y) U; w4 W- M
- H4 C2 t" R. [/ z( _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
* V3 ~, Q3 q* t, Q: _5 A7 ~3 h- b
*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]。
% i! \, j; R0 z
x’=  其中：x是属性的真实值，x’是规范化后的值。
) E" ^0 V  ]: N$ x$ k
% U; Y( H0 Y! j# L2 w) h" E1 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

) O7 ]0 ~, S( h8 I7 R7 g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。
. v+ m/ ?; X( Z8 G
(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：

( O) v4 y3 ?1 X5 }6 U8 i1 q5 K! lx’=   =  =    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。

/ U( C* ~$ L% }& Z& w% S7 x% `/ t  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
( J3 S5 J% H- _$ E1 e- ~
+ S2 Z; z$ W" i; I' F7 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 。
8 n% V  X: `: q  I8 S# ~. H
3 u# F2 v6 V5 [5 zx’= 为满足式<1的最小整数。
$ s( c- n8 b6 g) {
* l+ T4 _: q0 }( ?' I' y& q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% m4 [1 a' S原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956
: }4 I  l% W: ~* M# X1 @* F1 H
7 x/ j1 @; ~8 j, x& [2 Z6 u

浅夏110

浅夏110 发表于 2020-5-21 11:36

8 q; Z6 a% d7 _# m' G% R* ^$ b2 c

浅夏110

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

4 x0 v# e: `: z" K3 W

德古拉

good content but bad edition~
9 f; `. x7 q! K! E; c

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
$ @8 c' E' l( m$ B& ^' t7 {. B( C