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。
# ^0 o" i, K# K( \7 @) C" w
, N* p* C/ Y7 V/ @/ ?- v2.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。
% q7 j1 m1 _$ k7 w! h
3.数据挖掘中使用的数据的原则

  z- r% O4 {2 b0 j* ^. {0 K# h0 O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。
5 K* v+ S/ b7 v5 j
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。
7 b1 \; |' A8 T, I5 q
8 \  m/ c& E& N$ ^, p8 s5.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
, L4 a8 T2 Z2 v, ~" l$ X
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。
: {3 T, B2 y  U
' i! l* k) |) E/ x4 _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。
( n, V! z6 p/ e) n  h2 s4 @. s
. `) k- i" c9 b1 R! |, `. d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。

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。
5 ~# C) q9 L5 B6 F: |, c
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。
: C8 U( B8 q( _- m) h% R0 j& G
统一权重：设定权重（箱子深度）为4，分箱后
4 E# b' W5 d0 O3 h7 n4 N7 |
9 w% x$ W0 v4 S' G, m5 O箱1：800 1000 1200 1500

5 A5 U& l% X/ }1 H7 A箱2：1500 1800 2000 2300
' b5 m  g- ]3 s, \- j$ L) k: U: x4 c
* Q( r; g( T% J; ?: z0 p  A3 G箱3：2500 2800 3000 3500

箱4：4000 4500 4800 5000   

统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后
. L" Z, p% w2 y) {8 C
箱1：800 1000 1200 1500 1500 1800

1 F  M! ~% W  p  l: ~: X箱2：2000 2300 2500 2800 3000
$ C$ h  Q: L, h5 X# V' r8 X
箱3：3500 4000 4500
' ~! l1 F9 J# p$ @( @) B
. S( P0 }+ @% N- 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
# b! h. y0 P: R- _% {$ z! q
" e+ R2 ]& G; B, ?+ o! o箱1：800

箱2：1000 1200 1500 1500 1800 2000

* `- \+ j. t# F+ L& O/ B箱3：2300 2500 2800 3000  
$ x3 n. w( T3 _  t- Y$ s
: a3 \& a: q# ^3 r7 w9 V4 q! G箱4：3500 4000

箱5：4500 4800 5000
5 J9 m* A4 Q9 w- O
: P& N4 o9 e7 l. Q. O7.数据平滑方法：按平均值平滑、按边界值平滑和按中值平滑。

- b1 i/ d* K( ]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。
1 l7 s: M/ n8 \2 j5 v5 {
/ u; i! U6 [# ^⑵按边界值平滑

) g( C! u- D% U0 S2 @. R. D用距离较小的边界值替代箱中每一数据。

! V# w  i4 f0 K, ^9 Y; }0 u6 }⑶按中值平滑

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。
$ ^. A) R  j& E3 V6 K( o4 h$ f
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 z. s, R/ G5 T1 m
9.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。   
, |; U2 s9 E9 U/ H+ J* m! L4 n! T" `
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

& P: ], ^  f1 B3 I11. 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
# D% [: {4 T8 U# H' E
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

9 Q1 M/ K# A  o7 Q' V13.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。

' i" x$ ^2 l* R8 y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。
8 u& P  O6 T, i2 A
- [8 G! o5 o6 Q14.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。
3 C9 L( O. U& {( d- ~6 h# ?' i
6 ?3 s: S3 l5 ^" B维归约：去掉不相关的属性，减少数据挖掘处理的数据量。
" _: i$ z' F& o- o. c& [
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   
  c+ w% U# l' q( ~5 `% f
# C: X/ L0 [. V: X3 w; a9 g/ u数据压缩：方法分为两类：无损压缩和有损压缩
! [, R  X5 Q5 I3 K; E
4 V* O" h6 s& B8 i: \* L3 B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

- V2 c+ T5 j! @7 X  O- V# o*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]。

. V5 o) l- d7 J7 D2 s7 Fx’=  其中：x是属性的真实值，x’是规范化后的值。
) _. H- i8 ?5 v3 @+ V* R
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：

& x( B; i3 P3 W: ~4 ~7 \x’=(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。
, Q% W) F0 b! h- U9 V* k
$ `7 |  m) p, n. 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：
- |7 |# `% M+ m. I9 f1 I" S) V% m
& r# N3 [1 w2 m) V* O. ^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。
" d8 I$ y& J8 c4 b
    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 。

3 d8 J9 C) F7 u. }7 [x’= 为满足式<1的最小整数。
" d) \2 r7 d. G) T- O3 C" z* [
* V3 g% p! w$ g0 d6 p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
————————————————
! q$ P3 u% l5 b0 D2 g4 u& a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 E, p: ]  [. q, J原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956
# e. V2 ]& p3 Y3 T

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
* Z2 I5 |0 u" k$ G. U

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！

4 f; L# |+ h" @# S6 F* {4 G0 e( i

浅夏110

浅夏110 发表于 2020-5-21 11:36

* Y9 W* x! D' H+ V5 \% ~' L3 _