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。
3 G: ]: s4 C: D: v, i
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。

3.数据挖掘中使用的数据的原则
0 M& }' R2 U1 f9 C1 J% e$ u2 C( f7 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。

" q3 ?- r3 T1 M; _: H, b4.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。

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
( E" g+ g4 C: P( `; o
/ ^2 |3 b; ?$ i  r$ J% e6.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。
+ e' i$ K' K) {2 u
/ V8 R' h7 S; {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。

0 r) g5 ~+ {+ }' L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。
) L& p6 W; Z/ a! Z0 ]6 F  m
4 V' y3 b' }% U0 a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。

- y4 z. u6 _! t' w# m( I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 b% E# X. X" a6 ?, @& C9 o
+ V6 {# B3 N8 r3 c% Z2 h( j; }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+ {6 V6 l统一权重：设定权重（箱子深度）为4，分箱后
) I% m  u. C7 X! C, Y6 @" i
. H' \9 U7 D5 [箱1：800 1000 1200 1500

% s7 ~  W6 m) R; m1 w5 Y箱2：1500 1800 2000 2300
- H  j  v, }9 S7 t. }. ~
" N8 T+ B: T, ?+ Q1 E箱3：2500 2800 3000 3500
  X! A/ N4 E' A
" f$ r! F  F; \- P& `+ j箱4：4000 4500 4800 5000   

- g- `' B/ l5 `+ S' e统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后

5 P4 I% ?* q. ]" X: t  ^, j2 c; p箱1：800 1000 1200 1500 1500 1800
* _  f1 u$ r7 M! v4 b8 w. e
* K, Z+ O' R2 j$ \6 ^5 D0 Q箱2：2000 2300 2500 2800 3000
8 u& I8 t& m1 e. B  ^
箱3：3500 4000 4500

) u- v: q/ y8 p" N箱4：4800 5000
: E+ Z! s- V. f* a3 N( P$ 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

箱1：800
1 c0 B, L5 ?6 O% U/ i: z1 X  V0 V& F
箱2：1000 1200 1500 1500 1800 2000

箱3：2300 2500 2800 3000  

* P4 z8 d) j! C: J2 Q箱4：3500 4000
4 f7 `7 |' b" T! H7 ]' N
箱5：4500 4800 5000
# {6 d0 x/ j+ p6 r9 a
2 B4 p5 j3 Z3 e# B- h& i9 I* {! c7.数据平滑方法：按平均值平滑、按边界值平滑和按中值平滑。

: d4 e; P# u5 A& r⑴按平均值平滑

  |# K6 F: d/ p2 O& Z& d- p6 J3 g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。

7 f: G: p% F1 ]+ n2 L⑵按边界值平滑

用距离较小的边界值替代箱中每一数据。
2 W9 Y: O) x4 u3 _' Z
/ w. @* t0 C: i7 F! m⑶按中值平滑
+ S6 B) d9 ]' w& O7 D$ k5 Z: y) Q' s
9 f+ w7 v/ D8 z! m% ?4 A取箱子的中值，用来替代箱子中的所有数据。
0 o: w: ]% k; w' y) |# |  Z
- t/ g7 Q- n" r( g$ f8.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。
; m3 t8 ~6 m/ Y' X0 c
/ Y8 D2 @3 r* I2 g, i0 h1 [* b0 s9.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。   
; G4 Q  C' _; |& t2 `/ S/ h
! s) w( r6 ?$ A" {: Q* S8 N10.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

  W* r! [0 L/ |; }* P0 O. ?3 H11. 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

. s1 `3 v0 f3 N! ~; |! i7 n6 ^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

; _; h6 B6 ]- U2 R* R13.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" `2 A& M. }3 N; x6 w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。
+ p' L7 d8 \& p" k
; z0 p: }- @  k, w6 ^" 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。
$ J  [( Y' ~4 C& B/ A$ K% S
维归约：去掉不相关的属性，减少数据挖掘处理的数据量。
! n  d9 D# \1 y
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   

; z- I" Y0 H, x: I  l) `5 K- }数据压缩：方法分为两类：无损压缩和有损压缩
1 O9 j  U4 @; y1 G! F% D
8 \; W! }7 R9 I% _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     
+ O# V* u( t6 d" v3 k8 X3 [
6 y/ m, A9 a% U- U3 x7 Y15.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
  t: ~& n7 J# b, u" i: j
*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]。
5 y# G+ R+ R" M3 y. a9 }! l
# M3 a1 o' O  o- o* @/ _x’=  其中：x是属性的真实值，x’是规范化后的值。
- S1 }% B, z/ n: J  b7 d  d
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：
0 |6 \- h* F, t$ E% f9 D
9 i: }" Z2 ]# U/ A3 Nx’=(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。

(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：

4 f) c: T5 Y9 Y) sx’=   =  =    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
; T6 e4 K  B' 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 。

. c* ?1 M/ i: ]9 d2 Ux’= 为满足式<1的最小整数。
  p( T/ v5 S* j2 ~$ G  @: B# @
; P* X' t+ _) L( c: d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
8 C9 G! u: s, t————————————————
) c3 i: p' y) E1 C/ g: F7 S# I& S) x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。
, f  x* l" t: g/ P8 E原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956
7 L: S4 a1 [( w% n' X& V
/ f; ]! Z8 [/ Q/ ]( D

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
8 s$ i* ]; a7 h

德古拉

good content but bad edition~
- V  Y. J4 q$ t0 l2 s

浅夏110

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

6 M3 @4 a3 V" b$ ^* o9 y3 d( ^
( ]) C# e9 E* m* P; R

浅夏110

浅夏110 发表于 2020-5-21 11:36