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。
# ]4 l7 y/ K8 _- L% |5 _
  ^: D" d, n; q0 S3 s% K2.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。
8 Q9 W- x. B3 `2 t% R- ]  N5 E1 H
3 {8 P: |; _* C3.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。
7 N4 x" I1 w$ n3 X$ o6 p4 p
% i7 x- O$ F0 M  }; ]" v: s! 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。

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
/ _( T4 I* r: o, l
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。

, y7 A! i) z6 Q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。

3 f+ R% D. ]# T( x8 m5 E  F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。

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。
# Q7 }+ q' c5 O3 F: I* R/ K
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。
5 ~. \2 R, ]; o
统一权重：设定权重（箱子深度）为4，分箱后

箱1：800 1000 1200 1500
. E! P- |( Y* v+ N8 i
箱2：1500 1800 2000 2300
* z1 J, d9 R# Y. w# `: z& ^
% M" Z8 H5 U" I: }8 M: r' u; F箱3：2500 2800 3000 3500

箱4：4000 4500 4800 5000   
- ^, z) f" D, c9 N% N3 P  ^
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
$ z6 `9 x* c% [- s: I
& m* s- p+ k" F2 |: Z8 Z* G$ q箱2：2000 2300 2500 2800 3000
; [$ _( u, x/ m- I9 F' r
0 z2 c+ u( T7 D2 W8 ^箱3：3500 4000 4500
, P; s6 i, A9 }# ?$ k: ]
箱4：4800 5000
1 \$ l/ h! |, U/ M- Q, V, W/ z
+ N: c$ X8 `+ X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; _5 l$ A箱1：800

$ q5 j; ~* m2 z, \# [$ h+ o1 }箱2：1000 1200 1500 1500 1800 2000

箱3：2300 2500 2800 3000  

箱4：3500 4000
" M/ w6 Y2 @: E4 L$ r4 W
  f3 Z! l- \( |  q" p箱5：4500 4800 5000
' @! e' V* ?) H4 K& e+ b
# a' r: x9 h5 A+ 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。
7 Z, k: r9 E3 E) r; q" b, T# A
$ B, e9 z# n3 X8 q: Z( ]⑴按平均值平滑
+ i$ b0 h; @2 A8 [! O
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。
- w: j! u/ u2 G1 _4 ^% N
⑵按边界值平滑
' O& `: o; d8 U
用距离较小的边界值替代箱中每一数据。

7 O$ f- ~4 Q6 ?6 y, Z1 p# x⑶按中值平滑

取箱子的中值，用来替代箱子中的所有数据。
( O9 a$ `% M9 h* h. X7 y( [% E: Z
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。

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 v; U6 X% `3 s. q  I# E# F+ o
; j* v1 b8 `1 J; \: `' j9 j9.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。   
! z1 a3 _8 r5 r0 ^3 |
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

3 W  |6 t! w9 k/ O) y11. 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

/ H  D0 i0 g8 \6 d12.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。

4 ^- [" m. r3 c0 J$ Q9 }/ C: 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。

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。

维归约：去掉不相关的属性，减少数据挖掘处理的数据量。
# o* q, p2 W5 j
; r  |6 s! X$ E8 ]8 C: ~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   
# ~& k$ Q. ?+ ?/ c
& R5 {: G* w6 W" a3 j数据压缩：方法分为两类：无损压缩和有损压缩
+ [4 D3 `0 ?2 Y
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     
: ?( |- s3 o2 K) g% l' e
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]。

x’=  其中：x是属性的真实值，x’是规范化后的值。
) e: ~0 t4 j8 Y5 m, @) E
2 p6 v# f+ a  x* T  ~+ b, ?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：

+ @/ e# t5 z  yx’=(1.0-0)+0=0.716
, R0 b" \# ]8 v: d$ L8 l' U
( V) J1 O3 L: \6 R+ [* m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。
0 G& X. ?6 |) g+ E% N
0 g$ _! O; |- t, |, l8 o (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。

    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

9 _3 `  B" M# Q2 K, 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 。

$ Y7 J# @# e8 A6 zx’= 为满足式<1的最小整数。
7 @: k0 F5 l( S' R$ B1 }
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。
1 m/ J* u/ C, L5 D3 a原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956

4 j7 D2 l( e% h' Q% w( B$ v
( L# D. R" e# `, ?( k% b( V7 `# L

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！

德古拉

good content but bad edition~
# }5 m# W% `8 l* e7 v

浅夏110

huangyanzuo 发表于 2020-5-19 12:06
: T  n! x! x- w棒！棒！棒！棒！棒！棒！棒！棒！

+ x' o1 g* c. Q5 _$ ~! f; ?

浅夏110

浅夏110 发表于 2020-5-21 11:36