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。

# [. R" l0 W8 J$ x8 o" A9 o' y2.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
1 K5 ~$ @4 k7 F6 b% r4 m# j
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。
" i4 }: b" l* D3 N& j5 t
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。
* d( B! n+ M/ X( I  {
4 ~( X6 R# c' R% w& r5.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。
( Z+ `5 F4 v; s+ a% w6 m
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。
1 [2 y5 |, H5 u5 m; d! T. `
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。

4 U" |7 X3 _6 H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。
& }! w/ w# S% @! O& P- g3 U7 E
/ I& y& n0 K% j7 B0 S) 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。

统一权重：设定权重（箱子深度）为4，分箱后
% b* }5 n* {5 m+ O" y
箱1：800 1000 1200 1500

箱2：1500 1800 2000 2300
+ x3 _7 q; A' n5 T
箱3：2500 2800 3000 3500
5 u. v: E  p* Z
箱4：4000 4500 4800 5000   

统一区间：设定区间范围（箱子宽度）为1000元人民币，分箱后
* W  {! f  U7 p9 }
( F* }' e" s4 d1 y0 q9 n6 t) o箱1：800 1000 1200 1500 1500 1800
- o* R7 E' Q2 a3 d$ a" c0 f
( D1 K% Y6 d  I箱2：2000 2300 2500 2800 3000
5 \3 G3 _: V6 `3 V
箱3：3500 4000 4500

箱4：4800 5000
& j2 Q/ D/ B6 k
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
  l: K# F+ E8 }. ]
5 e4 X8 [1 D" {. [) }/ N4 |箱1：800

箱2：1000 1200 1500 1500 1800 2000

+ w& _" Z  n: `. e; y7 P8 D箱3：2300 2500 2800 3000  
/ T6 L6 p8 E% l
箱4：3500 4000
4 R) h7 |5 e4 I8 D; b5 i2 E' O0 m
箱5：4500 4800 5000
3 [3 i2 ^" H; y. j& E( G+ R1 d. r7 B
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。

# U/ n  M0 ^$ r  a! q7 N( J% Z$ E1 |⑴按平均值平滑
4 c3 {) p. ]1 q; {
7 P# @8 H! E; i) f5 e1 w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。

8 q1 ^" t9 T8 z0 j8 A( F% t3 n( D, t⑵按边界值平滑

用距离较小的边界值替代箱中每一数据。
8 G# A/ X4 U- J+ t; y( @4 R9 ^
⑶按中值平滑

+ I! q) E3 ~4 h5 s' v) |取箱子的中值，用来替代箱子中的所有数据。
9 I5 y- a- k# q- x9 {
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。
) `( c7 D* L: w
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。   
! C8 u7 o3 C4 @, |/ k7 [
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
# Z; V- L. D: B
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
) W6 Q, Y: r, |0 t  k, x9 }
) I2 w( }% O- V% g, ~$ `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
8 l' k! f! B- F0 M/ T
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。

: s: I& i! z2 X0 A8 F14.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, M- S( |  j9 \! s" s: g+ \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   

数据压缩：方法分为两类：无损压缩和有损压缩
! Z0 z# `5 c6 o% H$ u
, N3 a/ M7 X: T! l' b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
/ ~( \; t, F1 b- z- f! q
1 q4 }& u- O) `$ |$ S( P4 a. O*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]。

x’=  其中：x是属性的真实值，x’是规范化后的值。
3 I  V2 _3 A. }
8 S2 b5 `+ G  A# |0 J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：

x’=(1.0-0)+0=0.716
2 d, D3 e3 _2 e* s  R' v
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。
* M4 X7 }9 _) X
(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：
6 y$ U8 o9 C4 r9 `& [2 ?; m, U
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。
- a  b% J, b5 u8 S( ^
    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
+ L! l+ y- f4 v" ~9 |
(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 。

2 l* i9 f* Q+ ~- i9 N' w; `( P7 lx’= 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
————————————————
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。
- A) N! W  j5 G3 }. d原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956
' y0 S% w, k; c3 S7 n+ W- {8 }: H

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！

德古拉

good content but bad edition~
4 q/ h: Y. w* U: R

浅夏110

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

9 B, N0 B4 }5 a" h8 o5 G

浅夏110

浅夏110 发表于 2020-5-21 11:36

  n' n- r# K# t6 S