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。

9 e9 c  n5 |7 \" X: M& ?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

  z% u0 I" Q: \2 m) m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。
; n+ W7 D$ c5 G0 e) p; g
% M4 [/ j: H4 A1 f4 O9 r4.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。
9 a; V5 u. T  E, I" i7 T
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
' V. r- P5 n" O, i  v: }
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。

' k5 ?0 S- w+ R* |& o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。

" p: |8 Q% \: p1 u- b2 m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。

3 n. Z% |0 V" ]  N9 r+ X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。
, W, O. I' F4 E' A
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。
  ?: i2 Q* d% p4 R0 x* o' t" a- B" l1 h
统一权重：设定权重（箱子深度）为4，分箱后

9 d& d& ~1 u0 e0 B箱1：800 1000 1200 1500

箱2：1500 1800 2000 2300

( F  \; E" v8 R- x: z* f6 |箱3：2500 2800 3000 3500

% x( i: R1 I4 X箱4：4000 4500 4800 5000   

. N1 R2 I: O4 L, P7 R" f$ s统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后

8 O+ L. h3 Q3 T0 R4 k箱1：800 1000 1200 1500 1500 1800
5 v* w2 f6 e* q* o. \5 W' ?( ^
箱2：2000 2300 2500 2800 3000

箱3：3500 4000 4500
! w* {4 A. m. W4 ]# j- T( [* E% u
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
9 m) r0 Q. C% `3 [3 ?2 f8 I
箱1：800

! y4 l# D) T( J7 |箱2：1000 1200 1500 1500 1800 2000
7 _  I( ?# P9 Q- U9 p* d
$ D2 ^, [: |; N, i& ~0 z! L$ y+ R箱3：2300 2500 2800 3000  
& _* j$ @( b% Z& p; p: ]" J# Y2 s
1 t8 `7 H5 ~+ I$ w3 p/ j3 H箱4：3500 4000

箱5：4500 4800 5000

! W6 k7 u9 t+ [% `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。
9 t5 u  D( o3 V0 e- q! [
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。
- e5 _! K/ E# h- [( F! h
⑵按边界值平滑

用距离较小的边界值替代箱中每一数据。

9 ?* i) I" e* x  M( Y) R⑶按中值平滑

取箱子的中值，用来替代箱子中的所有数据。
2 v/ H2 U0 C7 {1 K+ T- n) z
# @9 u5 l3 p1 n) [# j8.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。
9 a# r  t4 @. c4 Z
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。

3 F8 t: n- r, k; _9 \- g7 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。   
6 q7 D6 [% Y# l/ G; G( z
& `7 Y! M# B, F# j10.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
, y6 |2 L  @" }& g
/ E* O" e. H3 ^5 o11. 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
5 d1 O, F2 r/ v2 A; C5 ]% [9 O
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
% k2 |' M, k, g( J
4 p+ a- I0 h. i, Z) b+ H13.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。

5 v- `2 o& U4 P, R  M* K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。
2 F" D2 N0 z0 i. _
: H% O( H5 o9 l( Z. m& m! B14.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。

9 B# t% b. W: }: k" t2 D0 H0 q维归约：去掉不相关的属性，减少数据挖掘处理的数据量。

4 w- Q& m) a7 i0 k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
& l/ M+ t: F+ o2 V" m& Y
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     

( P  z7 x( v- k2 o" |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]。

x’=  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：
6 Y! L$ _: b' @0 v& T
" v1 O7 V. Q& C5 J: ex’=(1.0-0)+0=0.716
& J1 k# z. U* q# ^; i* [+ L2 O8 V
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。
' g% i0 F: [! w. ?  ^! M
(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：
8 _7 @* F% w3 j8 D9 F) a! U
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。
/ a4 v. v6 @& q# `+ k; ]
    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 w2 W3 w: }* m+ @/ k8 E7 X$ Q- a(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 。

x’= 为满足式<1的最小整数。

  ~: P2 ?) @6 e* t* \" g8 `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
( Z8 \( B. [, d3 B% ?; R9 r————————————————
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。
0 H# `/ h/ r, k- ]0 j3 d# i6 G原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956

5 _; \+ U( ]5 A7 V% \
' m# J0 {7 f) p5 B* D0 ]! G2 E) l

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
( H' w/ G: F; V- @1 S

德古拉

good content but bad edition~
8 t' p+ _, d; P9 e# b; O

浅夏110

huangyanzuo 发表于 2020-5-19 12:06
- C2 l$ y4 d  }; Z! c棒！棒！棒！棒！棒！棒！棒！棒！

, Z9 i6 K! I6 Z, Z9 Z+ R' F: y
4 W/ k/ v  z# }5 w; X

浅夏110

浅夏110 发表于 2020-5-21 11:36

4 H* [& K3 ?$ U- e