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。

5 p/ ]/ o0 s. [" 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。

3.数据挖掘中使用的数据的原则
" E8 P! \9 l3 d2 [+ J* `7 V
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。
/ ]# H4 |8 |$ k( B6 v
& u$ P1 |# C% @4 ]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。
, l8 ]& |$ {& t3 o5 T: O1 d/ h" ~6 i# f* ~
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
" F: ~3 O* W1 e9 Y- X( u
; {; G: r" r( G6.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。

( ?0 m- ]& G* ~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。
# k4 o  e2 F7 x+ K; }: W
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. u: [, R$ O( I* k! u
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。
# V7 g0 V  y0 z, k+ e
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。

9 M; b; Y7 _1 |: E) X1 h统一权重：设定权重（箱子深度）为4，分箱后
. k2 @  F3 I- @' x% a& @" Q: |
箱1：800 1000 1200 1500
# v4 t7 F5 U3 f) l5 z
4 N; E: ]  F# R% L箱2：1500 1800 2000 2300

  \: {9 x' M$ [4 x: \2 S( v/ n箱3：2500 2800 3000 3500
+ y+ F: r$ P$ }6 G0 I  r; f! `
9 Y* d, u$ I/ n7 z: d箱4：4000 4500 4800 5000   
1 {# y* J- `; `) r0 a
统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后
+ ^3 r( v- A/ [2 k4 P' p3 @
箱1：800 1000 1200 1500 1500 1800
0 _8 `6 F) P7 U! S
% \. N  ~1 V7 R箱2：2000 2300 2500 2800 3000
) D# W4 {, L& p, H5 A
箱3：3500 4000 4500

: b2 l. {4 q( e4 C" M; B箱4：4800 5000
1 j( k5 n8 `$ `
9 j+ ~' B# N* V- N4 q  ]  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

: K% `% b+ Y$ t( I) Y- \/ O0 K4 |% h箱2：1000 1200 1500 1500 1800 2000
. e: m1 h- b9 r; ]  K1 G5 N
/ O  ~* ]5 t- C, b0 V9 g! u9 I  W* @箱3：2300 2500 2800 3000  
2 R4 C' [2 E5 U7 J3 [  T
箱4：3500 4000
1 g3 T6 }8 h: p1 K- U6 ?* F8 V4 v
- J, }4 F5 q& t箱5：4500 4800 5000
& s* e; @- x' n* P8 V5 i
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。

5 {; ?( f9 ?! ~2 \8 Z- l⑴按平均值平滑

4 x% h) S2 e, E/ ]1 N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 ?+ m" O$ S" P# ]% T
$ W  c9 I0 g5 D- Y) Q/ g+ R⑵按边界值平滑

用距离较小的边界值替代箱中每一数据。

⑶按中值平滑
( o# D$ ~  w9 }
取箱子的中值，用来替代箱子中的所有数据。
& q. Z& k+ ]! |6 e
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。
( X; h8 H+ V+ f+ e# E( e
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。
; a* h2 t5 [1 G7 Z
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。   
- `1 D- h5 R* D* v) z! ^7 _) |$ j
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
. t, D4 q6 A: m2 w  z! ~
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
8 \( a5 i9 W5 O2 I2 I+ o" z
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
% }" `) B, _; t, d% f) P* ^; w
8 O% j  V& Y6 @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。

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。
4 M5 }5 T$ o6 D7 s' V! d
) X: E* m: i2 N; q0 v14.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。
7 X, ~+ q3 W0 s5 `. ?6 N
( r9 c8 v( Z# {- P: U* g6 S维归约：去掉不相关的属性，减少数据挖掘处理的数据量。

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   

8 F; J* s- N5 h2 j9 ?  d1 n数据压缩：方法分为两类：无损压缩和有损压缩

8 R4 l/ R3 Y9 }7 N4 `5 e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
0 T& D& H, F  j6 @5 z
*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]。
9 i5 a' G# a0 O0 K! j' w' k+ v
6 E% M/ Y/ j! Ax’=  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：
' m& v+ e5 s1 O5 [! `) A+ z
x’=(1.0-0)+0=0.716

9 J' s$ \1 @7 ^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。
8 r# Q" T) E0 y$ G! e" [5 }; X: K8 B
(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

4 A  @- l; u1 l(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 。
$ I; F2 l& L* g# Y
7 ?% a) m6 U# W% b& Ax’= 为满足式<1的最小整数。

* E# r) F6 a9 a+ N+ H# s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
+ |2 w+ |6 E* w" g, B* g————————————————
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。
8 k9 u/ E+ X* K& L; ~原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956


1 U% d- M, `5 g7 y* _3 F

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
* y# i) L5 K. a/ u$ ]) d

德古拉

good content but bad edition~
1 D% x) Q; c' r% L* A1 w  ^0 G

浅夏110

huangyanzuo 发表于 2020-5-19 12:06
) U! y4 t3 G9 @1 L. t棒！棒！棒！棒！棒！棒！棒！棒！

6 [  a' q1 G7 ]- o% K
- m; j$ R- A& ^

浅夏110

浅夏110 发表于 2020-5-21 11:36