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) T- q0 b  }, a1 l3 }
+ I7 R. L) a  D% _: t  H9 ?. K2.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
0 T) D' L/ U& p
; K! Y# |! Z# w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。

2 u5 ]  e1 X/ M. 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。

  G0 V& U: Z' C1 b/ f% r7 Q+ e5.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
9 w  l2 `+ I; N$ K2 B8 D" d- l
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。

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。

5 x/ S  \4 _( s: \6 S6 b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。

* t5 p- C$ o; B8 E6 J( [2 y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。
6 f2 {+ f* M) B) l/ \
: D1 j) u* k) n, k4 x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。
- O, |) U3 e& ^7 U! D: C
统一权重：设定权重（箱子深度）为4，分箱后

" m. m6 c4 J9 L9 i7 B箱1：800 1000 1200 1500
. n; w3 ^  S, U; {, O% R
箱2：1500 1800 2000 2300
2 n2 O% J8 v# a3 O0 }8 c/ e
2 ?6 D! I7 q4 ?" M: q箱3：2500 2800 3000 3500

& b" K1 e* \  f- p1 Q9 O箱4：4000 4500 4800 5000   
0 L$ `4 W( M: A4 ]$ Y
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
: y2 ~! Q) Z$ ^$ ~
箱2：2000 2300 2500 2800 3000

箱3：3500 4000 4500
9 Z; W$ ~7 {$ P7 j$ O
$ I7 b3 c* T- f7 q* X箱4：4800 5000
2 s1 s" `8 T% c! k7 f& K, ?
! l* v7 O" a8 L* 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

6 ]- ?3 r' d# w' d" |箱1：800

箱2：1000 1200 1500 1500 1800 2000
. o. x8 `% M, b$ T4 v
箱3：2300 2500 2800 3000  
& w9 D7 M6 U/ S6 j( j% E4 t
箱4：3500 4000

箱5：4500 4800 5000
; N# p7 w; p) j
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。
; I1 A6 {+ `+ D/ ~, e* D
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。
: n: j8 E$ H6 {3 C5 q7 a
% H+ D) f  L1 M2 k$ s⑵按边界值平滑
2 G1 Y# |% Y# z. w5 G# T) p4 O1 `
! A5 H2 j7 X# t用距离较小的边界值替代箱中每一数据。

3 L) {  d* `# H⑶按中值平滑
, y- {6 \. g/ i5 i. l0 I
# P: v" C2 g) |8 G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。
! K. ?4 L8 a6 h2 d  _' I+ [$ I3 c
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。
& ?1 m2 E3 t5 S* D7 f7 V
! P4 z6 J+ D% R1 \- O+ 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

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
; j7 p4 `- Q' ?8 t) M) b8 |1 a" c% r
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
2 ^8 W, L/ `, |
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。
0 w+ e( ?1 O% ?- g# H$ |
& N: f1 }1 ~  Z" h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。

" Q1 w* ]8 Q6 H) u- l14.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。

, H1 G1 h( k/ A$ a) _; V维归约：去掉不相关的属性，减少数据挖掘处理的数据量。

, ?9 y8 [7 d  F2 X( W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

) a, p, c  |- J% ^3 @8 n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     
* S3 `+ ]. g$ Y& C# s' I
8 ?3 D9 p) l( }  }5 v15.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]。
+ X" u+ X* N; _5 @
x’=  其中：x是属性的真实值，x’是规范化后的值。
; U3 G& ^. z4 i2 ]( ?5 {7 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：

4 Y$ D: Q) @" o8 q; F' k' U4 ex’=(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。
! h, s5 y- G6 ], k# K1 g% a; N
(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* e" r: t
, ?3 ]; ^" q" U' u. e2 ax’=   =  =    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

. R" F9 P" i$ m' S% b(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 。
0 ~+ l' L" B- v! B
x’= 为满足式<1的最小整数。
4 w- r- `( e) \
2 ^  X& S% ?* y8 I9 g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
7 n3 U1 c- g8 }/ y1 L8 G————————————————
+ I$ m- F. ]2 |6 K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。
% ]- W3 R2 p  G6 b2 J3 z  q原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956
# A) @! W" O* j- g' l
) H2 @4 v1 `* i
5 R7 }% S8 B2 A( ?8 V1 n4 D2 D

浅夏110

浅夏110 发表于 2020-5-21 11:36

' V. z0 H9 L* }. v. @3 C7 G0 c

浅夏110

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

德古拉

good content but bad edition~
% U7 A/ @+ [9 n9 Y

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！