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。
& x! Y7 r! Q" p7 `! ~$ }6 J# q
( ]3 w, d$ A# t" n) p2.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。

6 Q& D8 _/ D6 f0 \, G4 `* g3.数据挖掘中使用的数据的原则

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。

" Q' `+ x! g# ^' Z1 L3 |/ I9 E4.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。

* d0 w3 i/ ^/ n5.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
2 n0 E( S. ]* z4 j8 u# [/ n
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。
/ R" T: S$ i4 T- a3 o; s$ m
) w. D. x9 ^# u3 n& G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。
' V/ O* W+ r2 U8 o& X) q
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。
) u2 g. Y$ _& R9 R, u- j
: C1 j0 x) j, Q+ o2 N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 ^4 ^; Q  W" J# Z/ w5 h
, c) R) h: X* ]4 m/ b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。

统一权重：设定权重（箱子深度）为4，分箱后
$ @) k1 V, y& S6 f% ~
1 L9 N' L8 K5 l: v箱1：800 1000 1200 1500
* G( m5 t2 q0 q% K! L
箱2：1500 1800 2000 2300
1 O1 A. \; G3 x1 X: U1 d3 l
  I2 U0 f$ y( @: G4 e8 p* C  z箱3：2500 2800 3000 3500
% Z6 j% e" d8 @, \# A' E8 v
箱4：4000 4500 4800 5000   
( l- G# R) q4 u5 E% x$ D
/ z/ i% K* L2 p$ S# [. m统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后
+ T3 j4 J7 b& p9 i4 b
1 W2 s7 O) y6 w# F$ \% t箱1：800 1000 1200 1500 1500 1800
& {: O& s9 m8 O0 U* c
4 k0 [  F( w3 @箱2：2000 2300 2500 2800 3000
3 f% d  j9 @4 L/ G0 P8 j( f. Z
- z, n9 w) e) U2 a: m' C) u箱3：3500 4000 4500
/ d' j/ C, f+ E$ y* S0 Y
& b+ E2 l! W+ }/ y0 n% O. O- I: Y2 e& k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

  a. u4 G* j$ K' n" ?8 A+ \! O1 L箱1：800
9 R" K% R0 j. F# ~+ z- F
  T7 e3 _5 r! p& j+ y6 X箱2：1000 1200 1500 1500 1800 2000

  ^7 |  l* L/ c0 H. l% U箱3：2300 2500 2800 3000  

箱4：3500 4000
; T7 {3 M- Q+ b) A6 i2 [
! \' e- D' V0 O* @3 P. [箱5：4500 4800 5000

/ |2 J/ J7 V: p7.数据平滑方法：按平均值平滑、按边界值平滑和按中值平滑。

) b7 C% i. v1 i9 {7 W! H1 m* C⑴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。
2 }3 E" i5 y0 p5 f2 R: U. N
" s4 X$ O3 m! [- [⑵按边界值平滑
, ~  f( H$ j* D
用距离较小的边界值替代箱中每一数据。

⑶按中值平滑

取箱子的中值，用来替代箱子中的所有数据。
5 {! J9 j" t) S# U/ x
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。
7 B+ z* l9 ?% s: U  [
% g- [9 K6 i( R% U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。

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。   
' S! I8 I4 u) b; A1 A# I" L
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
7 f5 o6 ]  P/ r
! C6 y; e9 z+ C/ T6 ^8 `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
( D; t$ @2 a% Y9 n
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

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。

8 P; N7 E: N0 J- c* ~& S5 f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。
1 [7 ]) F1 k2 h* U+ H
% Y6 }3 U% T% _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。

) |% x- S5 W1 ~维归约：去掉不相关的属性，减少数据挖掘处理的数据量。
' T' r& l* j4 P* _
8 c" u$ I% U$ W2 w/ }( _; F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   
2 p9 j5 d" ~& s0 Y  I: h5 N
, s" y/ d2 D4 ]% R3 Z% s# J: t数据压缩：方法分为两类：无损压缩和有损压缩
* _& l* J+ _# M9 F0 y& T
" z9 ]* t! n5 \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     
2 c. w8 [8 r$ l+ s/ n
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]。

, v, S8 Q8 B& G0 W9 A% Qx’=  其中：x是属性的真实值，x’是规范化后的值。
# ~" k1 D' V% m7 k
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：
( o  T6 H% U# x% M2 U7 f) ]0 L
9 C* F( j( ?+ e, C  j8 rx’=(1.0-0)+0=0.716
* b% G6 ^( X+ U$ \  B# u+ e
0 z9 c# A. j4 Q  q1 p- p! v" N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。
; B' K8 C+ j* f. x2 D( y4 u
7 E% ~+ Q4 F6 z9 I- I/ {- a4 _ (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：
! G- ?* ~8 K( S" h8 \" e
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。
5 w& H) e/ p7 ]; W
4 f( ]$ d; t. t7 G    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。

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
————————————————
; g5 Z5 x! d+ ?# u4 |" {: K" ]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

: J9 e# _# l0 x% f0 P

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！

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！

  a. M1 w4 G- n& L" n

浅夏110

浅夏110 发表于 2020-5-21 11:36

. l$ z4 L2 {4 m* m& o