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。

  Q$ {8 O  Y% d* r% b; }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。
3 a% I9 A! ~# F! W
. ?/ Y, `, a" D: o3.数据挖掘中使用的数据的原则
5 g6 g: s0 N! B% Z
8 X( h$ }0 l. ^# a" D( k5 u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。

' q7 b$ v$ |" \9 K9 Y/ l5.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

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。
5 W' h2 ?  ^4 o/ X' p( X' ]2 R4 q
' A# |1 v5 h  Y) i1 E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。
; S/ Z  l2 g4 F6 f) [
3 t/ K) Z! v) B8 ]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。
. x  f7 |: V$ \4 y
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。

# w) C2 y! @2 X; U4 V/ x# a: G统一权重：设定权重（箱子深度）为4，分箱后
* H1 e# V% Q$ g- n. q' F$ r) q
箱1：800 1000 1200 1500
* \, X& a% _7 a& @, {' P
; A: _% j; u4 e6 U' U2 f8 u+ G( r箱2：1500 1800 2000 2300
- b" k4 F" \' {$ m& J% i3 U# `5 k
0 ?3 R7 t. S5 P7 h* ^2 R箱3：2500 2800 3000 3500
1 [* z9 ]! W) c1 o
! e) y- C) z5 x' P* G- t  l箱4：4000 4500 4800 5000   
6 ~1 Y* X/ Y3 P; @
' h( E9 B1 e6 K* c2 @统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后

/ W# T- Q" k2 P5 d6 D7 ]箱1：800 1000 1200 1500 1500 1800

箱2：2000 2300 2500 2800 3000

箱3：3500 4000 4500
1 r+ k: q7 S- [0 j
. u2 L" t" @& ]: d4 [0 L箱4：4800 5000
2 B6 D9 h  u* k7 i9 W% {  N
9 d: _! o+ ~! f1 C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

2 p6 ]! Z8 j/ b. F7 @: S5 q% }% }箱1：800

- {% F8 B  ?7 d% B8 h% o# W( B箱2：1000 1200 1500 1500 1800 2000

箱3：2300 2500 2800 3000  
% D. X, ~# C/ T$ p% F& T+ e, g( [
! g- {8 z) z# K箱4：3500 4000

3 T+ I1 [9 W" ~# ?箱5：4500 4800 5000
8 v9 t! |( r" w, B# n! [
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。
  K$ x/ c7 [+ x
⑴按平均值平滑
% c, x5 N, o! M9 Y
, Z8 S9 I3 W( v3 h7 R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

0 K( I/ }8 h1 {, z* K1 j5 s用距离较小的边界值替代箱中每一数据。

⑶按中值平滑

6 Y: K* O0 V1 Q* E取箱子的中值，用来替代箱子中的所有数据。

5 Y- `: v  \; b8.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。
- c$ C- F5 V6 B3 J. ~
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。

4 D5 m' c; W& Y5 @3 P# x& l9.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。   
: W. V5 `6 R" H+ Z
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

- r5 ~& u3 W" G1 r/ P+ v" }+ R11. 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

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

# |/ m, {. D9 C$ B$ v- O9 V. X13.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。
. j: [4 V5 `5 z2 l8 M6 O( n
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。

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。

% L( r1 i, W8 [9 X6 ]. J% p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   
/ ]; \9 J, _) I% f
' f5 ?0 c7 @2 v7 ^! ?: F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     

0 N3 f5 F1 C, _1 b; k5 N1 B! _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
) u1 |: {8 d0 W2 B8 _1 B2 \
, a+ M3 M& f' D' B7 E*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]。
: y# d' w! I1 [! _
7 i/ P" n1 B4 o5 _& }+ r! M, R# Mx’=  其中：x是属性的真实值，x’是规范化后的值。
4 Q1 u1 i' x* B, x7 {, ?: I$ g( c
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：
& E7 d6 P2 p! ^& S2 Y
2 s2 F$ F0 A( f( E( @: ^7 R! G6 Mx’=(1.0-0)+0=0.716
4 j3 P. ^. V) n
8 ^" `7 m; z5 K" E# K) L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。

( _$ U9 M; ^6 [0 V (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。
/ p0 t' \5 h& H) ^! \0 e% O
    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

* {2 s  d/ E8 E5 T& P) M(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 。
8 A9 ~% Y: [+ q9 ]& I6 w- M
x’= 为满足式<1的最小整数。

5 W- Y2 ?& R  N1 K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
————————————————
0 T/ [! `( F1 Z' 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。
原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956
' r+ S/ S2 g+ w5 P
! |1 u6 t( f0 q0 R* H. w

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！

; @7 M2 ^3 y3 w: ?* z! A9 q

浅夏110

浅夏110 发表于 2020-5-21 11:36

/ C+ b4 ~  Q1 C0 _: r