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。
+ A, @2 [# G# v! S1 ^+ l/ W
0 i$ O) ~" s2 v; C; 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。
; _  T9 o7 a& @7 V9 Y( N
$ p+ ^  a2 N( d0 X7 U5 v3.数据挖掘中使用的数据的原则

5 i2 @$ [/ a! h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。
# O: e0 J  L6 C7 q6 C8 T
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。

9 a* Q  [8 q2 R. t0 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
$ g, @& b2 T: ~2 m- \
- D1 y; G7 V3 {" B/ n' \1 _( _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。
7 Z: }; X1 K0 g8 c
: G$ ?1 d7 m3 R- n/ n- @1 z8 s: r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。
, g9 H; R* x2 E
0 \0 K# I5 Z, I6 _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。
- k# s) i  d% U: g6 K5 l: ~3 [
: o, k: P9 H& W% V/ q" D7 r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。

! O* n1 D4 v3 M; ^' I4 m( e! l+ o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。
% M  h$ h; ^* v/ ]% \
统一权重：设定权重（箱子深度）为4，分箱后

箱1：800 1000 1200 1500

+ d1 }& f6 z3 t  u# q5 B箱2：1500 1800 2000 2300

4 V9 v. ?- O1 Y) g# v/ B  h箱3：2500 2800 3000 3500
: {) I: N6 K6 ^5 h
, p7 O& |' C: a2 R- _9 L, m! E箱4：4000 4500 4800 5000   
5 {: h: g- L+ L: O
. L: k+ J3 J$ C, O4 H& h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
4 F9 ^  y; C5 S! q. a
箱2：2000 2300 2500 2800 3000

箱3：3500 4000 4500
! S: c+ d5 S: c
7 `9 j0 ^) m5 s& d+ {& v" s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

. S3 A. K  m3 v$ ]; f箱1：800
7 G" y# X* h5 D) ?
# e  B/ u% K" g/ ]+ Y8 t箱2：1000 1200 1500 1500 1800 2000

: `3 V- p! ^. ~% O% D1 @箱3：2300 2500 2800 3000  

箱4：3500 4000
# J7 V9 V) j0 ]: f% G+ K
: K* Q) Z3 e8 ]( ?/ U箱5：4500 4800 5000
- O: B2 x! Z3 V1 _
: s; y- I0 g: ?+ V* [, R+ J7.数据平滑方法：按平均值平滑、按边界值平滑和按中值平滑。

6 @% I/ ^/ N1 s( M: b: u⑴按平均值平滑

! r/ f1 m) [9 a3 ~2 V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。
9 c1 b. J4 x: `' i, @
⑵按边界值平滑
! f8 E2 t1 Q. S* Z% e+ c9 x: c3 v. A# e
# ~# ~7 A. o3 W- q/ e用距离较小的边界值替代箱中每一数据。

⑶按中值平滑
) @% Q5 d- P# `; Q
取箱子的中值，用来替代箱子中的所有数据。

& V% I7 I7 e& X; m8.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。
' N( U( H: f! B$ w) R
1 }, |* ^& A2 Q9.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 t+ V* L. c; U
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

) j4 f5 a* A; }" D8 `# R: s12.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

0 [6 H; C# {. U13.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。
1 w& X  \- [0 f6 u1 O( q
# Y( |7 O& P, e8 G8 \3 M' _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。
. S$ Z3 R* W/ I5 C
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。
1 G( V# A, a% R, S) w3 E/ ~% J
维归约：去掉不相关的属性，减少数据挖掘处理的数据量。

/ x1 W' m: q8 ^1 c1 ~. i$ b. |' ~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   

3 Y/ T" T% q, B( t, N# N% p数据压缩：方法分为两类：无损压缩和有损压缩

! N/ v/ r: L9 \6 ]  D- w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]。
7 k' Y: n3 P( V& _
x’=  其中：x是属性的真实值，x’是规范化后的值。
& g) p" M+ b* M1 g" ?3 D9 U& Y  F* 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：
3 n+ I' S- K: e6 N$ x( \
; t) r8 h5 R0 L( ~9 O3 L0 ?x’=(1.0-0)+0=0.716

1 [& `3 s4 c- w8 i" w! @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。

% @- d# D9 S# X$ [ (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：
, A5 g/ l9 @: c& F, G- }" I
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。

' v- M% i/ h8 K" W  d/ g. b; g4 n    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

(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 。

$ e- Q% D+ U' A5 o+ y( ]% q  ~0 I9 ~x’= 为满足式<1的最小整数。

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
————————————————
. c1 @1 J: {( i/ 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。
原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956


1 M" ?. u* d2 {& D

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
' ]0 W4 B$ S, {/ f6 L

德古拉

good content but bad edition~

浅夏110

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

3 k( S* v4 ]  s- |2 i# B
5 O+ L/ |; }8 l6 c. n2 K

浅夏110

浅夏110 发表于 2020-5-21 11:36

- i) H! P5 X  m8 V4 ?+ r