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。

8 r- o( W# ]/ _! [6 }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。
+ p4 g' n) c; z4 ~5 W
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。
& [" ~' i- a# D6 G
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。
) r! j+ P: b+ g/ L; x; I# Y. j3 S/ ?
* y, j  o+ K; M2 b8 C* F5.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
" c8 ~' G1 }5 v" M
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。
# l3 c$ A5 Z3 ?" L" Y# B5 F' [
; f9 ?0 s4 S4 ?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。

  {7 e+ t7 ~9 S6 N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。
6 j- U6 u/ p7 C/ t# c; c
& ]. ?0 ^  U3 ^; V( Z- j; K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。

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。

5 g% i' V, g- U/ X统一权重：设定权重（箱子深度）为4，分箱后
6 \5 a0 C- J4 L% L6 s( ], o
箱1：800 1000 1200 1500

箱2：1500 1800 2000 2300

箱3：2500 2800 3000 3500
' @% ~+ m$ G; K! y0 U* X+ X  B
% U" n! F7 L4 y; s7 `( B2 Y1 M" n8 b) t箱4：4000 4500 4800 5000   
, e" U: o# W- F, y8 ~" S' k
统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后
" O8 L! s; X, J# ]' s8 l. R7 k
0 d$ ]$ g/ l0 E( k箱1：800 1000 1200 1500 1500 1800
5 I5 z" S. r4 O9 ~3 _. b' c
/ b) j* `0 ^0 ]箱2：2000 2300 2500 2800 3000
6 p- B9 H1 l" i9 {+ x- L
箱3：3500 4000 4500

箱4：4800 5000

6 H- V$ D* K9 Y5 g) {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
! F4 n% Q' h8 i2 v  m" u
箱1：800

: A5 t# ?9 B2 q2 ~箱2：1000 1200 1500 1500 1800 2000
7 I& }/ C/ r( ^+ {
箱3：2300 2500 2800 3000  
8 ^+ l2 z0 A8 g+ h/ ~; D( g* k
) k2 T: I& P; x. {- f% A! t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。
# o- |/ ], }+ c  W8 W4 q
⑴按平均值平滑
: u7 y, T7 H  D: H
. l, \) d" _# g8 B7 f- @5 N1 \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
6 D0 W  z. x0 k8 S
: Q1 t$ O& z. G. g& t' m用距离较小的边界值替代箱中每一数据。
1 P9 }2 J- x5 g6 K
⑶按中值平滑

6 u) d3 c8 U& U* h9 x( z! P2 r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。
' J* E7 i3 a, e7 h) d* n
$ \# O8 s* G7 ~8 j2 W" c" X( d! W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。

+ C1 [8 k" R4 M4 y9 j% h1 m' O9.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。   
: h3 P0 g  I( ^& U1 _0 ]
; p5 J  A9 T% d2 `' D10.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 n+ U! ?7 p! ?' b7 k1 m11. 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

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
5 Q6 t; o$ I2 R% P( R
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。

! P" f$ h5 s+ t3 {. Z8 A4 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。
: I" E0 y: ~* a6 Y0 M2 V$ ]5 r
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。
# c; Z) P5 L7 t0 f+ p! |, [2 E. q
. R* @9 N8 @& m5 K9 e2 q7 u维归约：去掉不相关的属性，减少数据挖掘处理的数据量。
0 Q+ E5 f% D  u' K
: \+ U; S/ u2 w2 q* 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   
2 J, u1 a8 I0 y/ W
数据压缩：方法分为两类：无损压缩和有损压缩
1 C8 g" o% h5 ?6 ^
/ m5 @' z$ f; Y' l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

*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]。
( x5 r1 d/ H" ?1 _1 ^1 G
6 h  d8 \$ Y! j" Z2 u7 [3 Sx’=  其中：x是属性的真实值，x’是规范化后的值。

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：

) v/ T: m* G# V4 q3 [8 X! hx’=(1.0-0)+0=0.716
: }8 g; P" [" J
$ j8 x3 g3 ~& q+ A& f/ S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 A5 p. M4 W5 Q (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

0 Q3 X! [& r$ C" P5 f% N(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 。

. q( L# u) B6 }. Nx’= 为满足式<1的最小整数。
: A/ u2 Z' g5 \" W  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
. s  ~! ?% y" ^  Y- _————————————————
/ S; ?5 x/ p' q# d4 [: k- Z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。
7 A6 B6 I+ x- y原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956


& c, D3 @# {7 z

浅夏110

浅夏110 发表于 2020-5-21 11:36

! V7 U- j* W/ ]' L- G% C2 Y

浅夏110

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

+ w7 K/ z( X2 r# u: E! u( G6 |

德古拉

good content but bad edition~

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！