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。
( l: J: X% v5 V. x( i- E+ n2 X5 v
2.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。
! M" ?& q0 O6 c- T
3.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。

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。
/ m& {: T& R4 f- W- K4 Q9 |+ b
  r. j, ?' r# c: f6 C5.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

, ?- B1 ?$ z2 O; c6.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。
: E- Y8 t8 }! l, i+ g$ ~. h
& r$ V7 s: v: h7 k+ L+ G. x, L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。
  j5 e( c/ R6 |+ y2 Z& z
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。
/ [+ P( h3 n2 t9 ^+ f* j, J$ f
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。
4 n% T, `% C) x, l0 n  @
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。
3 p9 D4 M' ]! o) |6 Y9 n! J. K
* k5 F% `1 A9 Y4 q  a2 x# k$ c; T统一权重：设定权重（箱子深度）为4，分箱后
: n( O" ?7 B: w8 s' Z4 x
' Q- l( \- w% r- d4 k, _1 k箱1：800 1000 1200 1500

箱2：1500 1800 2000 2300
1 P$ x! X! Q3 H( |' K
箱3：2500 2800 3000 3500

+ {" S; D/ p5 G* `, G* N箱4：4000 4500 4800 5000   
; {' G$ a" }% X
  K* T- Q( \) n, x! |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
6 w9 L* i6 ^8 F( F8 O; I
箱2：2000 2300 2500 2800 3000

/ l3 M6 s% d+ X) I) N  o0 S箱3：3500 4000 4500
" V9 b/ H. [8 r6 }9 V# P7 N& ?
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

; d: }2 f" h& d( Y箱1：800

" I- a5 |# V( ]* C- h箱2：1000 1200 1500 1500 1800 2000
( u! m0 c! j1 k" Y
箱3：2300 2500 2800 3000  

箱4：3500 4000

箱5：4500 4800 5000
) w' x' @+ N+ a: d- t7 I7 n
$ ?9 c* E" o9 n- K7.数据平滑方法：按平均值平滑、按边界值平滑和按中值平滑。
0 W$ u+ \5 l; p
: w6 m! ~6 o- {  c7 Z+ @. V⑴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。

⑵按边界值平滑

- `1 `  x" B- w0 D; h1 D2 n用距离较小的边界值替代箱中每一数据。

  b8 p: |2 z2 g1 o+ [⑶按中值平滑
, [& K5 i  e6 G: r7 l4 d4 J
取箱子的中值，用来替代箱子中的所有数据。
! h5 n& W& t( {
* U% Z+ e" L. y$ I! c8.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。
5 \: D- Z! Y! U1 K
& E9 x5 D# C+ Z  ?$ @- Z9.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。   

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
' B& U+ \$ J4 q/ ^: ?
6 C' B( e$ V+ A' 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
$ O3 q. `9 `0 o4 U3 D
5 B1 u% T! t. f  J13.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。
$ n* y8 M; a' R* k; ]  X
5 H, H0 ^$ u3 ^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。
4 H0 h5 _" }9 i8 f+ Z
维归约：去掉不相关的属性，减少数据挖掘处理的数据量。
% p" ?" O, c2 a$ V5 W
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   
" b; v0 v0 A! {: u* r
) m% [& |7 n/ i4 P数据压缩：方法分为两类：无损压缩和有损压缩

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     

9 M9 Z1 p  e8 p* F2 k9 t15.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
* C# C* f; s# L: j  {0 H& Y3 Z5 k! C
: c5 u! A4 L4 E" M% ^*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]。
0 K& {' L- |% ]1 @: @$ o
x’=  其中：x是属性的真实值，x’是规范化后的值。
) q) F+ |  M9 x1 Z, F) `
9 E, ^5 v1 _7 A; v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：

2 f4 B, W. |4 \" s% M0 V% Q7 R3 yx’=(1.0-0)+0=0.716
: q4 O* R! G* R  ~
* Y4 D6 ]' T+ U3 s$ R" Q: B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。
2 M6 }) s' F2 A; v' w, @
(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：

  b" R1 S( b6 I% R, u+ U" M7 Vx’=   =  =    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。
# x6 G3 z. D& b& l1 x% r0 J( A
$ j( `+ X1 w4 |2 f* j( Z    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
8 E$ l" n* u# U% O6 v% n5 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 。
; K1 a. d7 R" \
2 J* H  d' Y+ h7 Xx’= 为满足式<1的最小整数。

6 j) _( K0 i2 h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
& \; S6 l: M6 D9 q5 P% y- f+ z————————————————
, Z7 q, n8 W1 t* m) m8 N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。
1 r0 w' c" N; H5 H2 {+ n原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956

- L6 D4 s6 o0 V- }! A
; ^* ^  Q4 P- m) Q. N

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
. B0 N% d/ Q) V$ ^! z% h0 S7 J, t

德古拉

good content but bad edition~
; K( o& W: J% W2 C* @# m

浅夏110

huangyanzuo 发表于 2020-5-19 12:06
5 {+ p/ _( W& k, W6 k, m- t& m( K棒！棒！棒！棒！棒！棒！棒！棒！

! Y. D* _) N4 V' h
4 F" [0 A! \5 p6 J! C* U9 t7 g

浅夏110

浅夏110 发表于 2020-5-21 11:36

/ R* t5 n  d. j' O- B# z2 I6 Q8 ]. S! A
# i, V$ z# S! n; G0 T, y' F