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。
1 ]4 `% C3 _  q; N- U
& x8 O! c" P5 @9 x5 w2.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。
" h& c3 P' F8 P
7 Y( }3 n( n- \5 ~3.数据挖掘中使用的数据的原则
/ I  f9 |8 ]) S% G6 k
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。
' v* B8 `6 r3 T! @. O4 b
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。
( o7 H' r. t: F9 a
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

+ A/ r4 o- H0 G- {. N6.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。
: G' }$ _' }* u! f0 G7 d
. l$ ]$ B8 r- _, s' J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。
9 W3 C5 L8 w# [' h: d
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。
: Q% K, [6 G, m7 G  c
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。

2 k2 r' N8 F7 R! P  d" j& ^" O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。
( @+ V5 C; b. J. L+ k( k/ M
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。

# F/ J. w3 s# x/ {8 [统一权重：设定权重（箱子深度）为4，分箱后

' L" {7 X. w$ h9 z' s' d# z箱1：800 1000 1200 1500

箱2：1500 1800 2000 2300

: v& A2 n1 n8 Q2 {" q4 x箱3：2500 2800 3000 3500

6 V- l; ?( O7 |8 c! w5 V0 C箱4：4000 4500 4800 5000   

" d6 M, f) T. p" c' v8 K6 j% S统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后

! H+ I+ {( I+ e( z箱1：800 1000 1200 1500 1500 1800

! q9 m7 o# o3 P9 @: _箱2：2000 2300 2500 2800 3000
: H& p% H% o- {* S0 @; C6 s: y
箱3：3500 4000 4500
+ y2 @; t8 F8 c3 e$ D
箱4：4800 5000
. W0 H* G- f! e
+ n$ C! W: n# ^, V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
- J) b: m/ f4 ]$ r
" i, p, q/ O+ S, m箱1：800
: q0 e2 R! {5 q  F( Y
4 e5 R# U5 A" y箱2：1000 1200 1500 1500 1800 2000
( Q+ b& W, L7 z& B) S4 v4 p; V
箱3：2300 2500 2800 3000  
, E0 B4 u& f9 l$ r, O+ b; s
2 y, S5 [9 J/ d- L. h' x箱4：3500 4000
2 ~5 z+ C' f8 J4 O; f+ ]
箱5：4500 4800 5000

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。

, [2 j) T' H, c0 r  S⑴按平均值平滑
- p6 u" G. R% G+ C/ `: t. t- t6 c  J
2 J! J/ C7 q) a5 U  k+ l& H4 H# D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。

⑵按边界值平滑
* D9 R) V4 q! ], e$ h" ~3 r* w
用距离较小的边界值替代箱中每一数据。

⑶按中值平滑
  v' W! S/ h1 `( F6 g9 A
取箱子的中值，用来替代箱子中的所有数据。
& w+ T% B, B% U
- R6 T7 z) Q  d8.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。
+ i( _( ]! _  v- m" x
/ p9 [  [) w7 f2 U6 K9.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。   

# ~" i+ C  X. V& R( C2 u10.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
8 ?. q4 j$ b1 h
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
: S  T3 P5 G7 j1 W" J
0 J1 ^( H# _. f+ Z13.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。
6 X: r0 u0 j# X
, O# r! \# ~+ g5 b- s+ F+ F5 L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。
/ l& v4 T2 G& Y9 f  j" g& o, y
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。
$ o) a. o5 {4 o) V5 W: e
4 b5 z, F2 |' q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   
7 I! _5 s* |! \1 p
数据压缩：方法分为两类：无损压缩和有损压缩
# a0 b, _7 V( j7 h. M
# a$ ]+ o% m6 \1 O" i+ X/ 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     

1 \; f& V/ F& }; f$ ~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
5 F; Y" n1 C, }5 G9 }
*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 V. f. r# |. T2 R5 p# y
/ \5 ?% ~" f5 M. a. F& ~* W; \x’=  其中：x是属性的真实值，x’是规范化后的值。

: L7 ~9 t: w% A% {1 g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 `( `2 x; e  {9 d4 S  ~; B* G5 Y
x’=(1.0-0)+0=0.716
0 |5 r- u, ]. P, S( M3 S
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。
+ M3 E" y1 o5 q& k
. F3 ~/ r* V: z1 e2 I- Z (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：

. i3 R, \3 G) Qx’=   =  =    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。
7 ]' S# R) u, R1 L
    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 。

x’= 为满足式<1的最小整数。
5 j0 B8 `* B' j# r
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
* m. U5 K/ ~0 |7 S————————————————
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 j6 ~: i7 X4 t8 A

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！

德古拉

good content but bad edition~
* t. o3 F0 C1 [6 s8 j1 S/ o

浅夏110

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

5 p$ X) A. _0 p6 V* v

浅夏110

浅夏110 发表于 2020-5-21 11:36

) \7 v* M8 C4 R' R; ~6 z4 a: Z