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。

2 F+ V7 J! v" v" G( r2.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。
/ h$ s0 }# p/ f  ?6 H) i
! V( g# f( c0 w- l( P3.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。
( q* d& a. O; B5 p; T
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
4 M; P- T5 o1 T0 j8 w1 v
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。
% u" |" P4 _  r8 n* y* [# a
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。
8 l+ ?2 I# h3 p
: ?& t- i4 \9 H  l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。

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。
. F; _- ]! x9 r8 w
" S% ~5 s8 w: T1 b, J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。
& O9 B9 [' m& ~. C" @8 C
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。
8 N' |3 {* A3 X6 E5 f$ O
4 Y9 `- W) q' E, x8 t2 F统一权重：设定权重（箱子深度）为4，分箱后
: {7 M9 D- W( W: o! V! d
9 D1 c  j# n7 r" ^/ J# q  @' i箱1：800 1000 1200 1500
/ j3 F: C" L2 r2 O% {% R
4 m$ `( v4 S2 \- N箱2：1500 1800 2000 2300
* x8 e  {9 u# t% o
箱3：2500 2800 3000 3500
5 t% O: ?2 y  D: q( }" [9 n
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

. z% c1 ]2 d$ U. x) D, j箱1：800 1000 1200 1500 1500 1800
- ^. a4 z$ B1 D$ J6 g
箱2：2000 2300 2500 2800 3000

+ H" f% Q8 o! c, s7 T/ R6 R8 B箱3：3500 4000 4500

箱4：4800 5000
" E! `5 `" W( l9 a
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
3 ?* k: S+ ^+ e
& k% X' D/ \6 k) [! g2 f% s箱1：800

箱2：1000 1200 1500 1500 1800 2000
( k- f+ z/ R5 u; V! ~
1 W& L" ?" N1 Z; Y; r' E( H) L* |7 J箱3：2300 2500 2800 3000  

5 _1 U( x8 C4 n6 |' G箱4：3500 4000
1 j2 F' l& a  _* _5 U. k
) W; X- H/ |2 z& p* R. A# c* w箱5：4500 4800 5000
/ Q" C8 q2 W4 M. K  N
" J1 S; R1 b: Z- H: i' _9 z7.数据平滑方法：按平均值平滑、按边界值平滑和按中值平滑。

& M3 w6 ^3 _+ ?1 s⑴按平均值平滑

2 e% e" }& \8 F3 ]; D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。

) l: e7 d6 }' b: f6 S⑵按边界值平滑
! ^/ A4 S/ e, t2 o9 c5 h
6 h( _% i3 z* y用距离较小的边界值替代箱中每一数据。
1 K' t6 f+ L$ B* y  @
⑶按中值平滑
+ n2 j& E& Q; u, c. ~+ _- I
取箱子的中值，用来替代箱子中的所有数据。

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。

5 z% a' q( H, d5 y0 [8 j, C) G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。
3 N$ }# n% W1 ^$ _
+ P0 L/ G6 [; e; K: c9.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
6 Z1 V/ Y! W# J
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
; K+ {( r6 P  F9 }) 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
% ?# }3 Q' y& K( w
+ o8 D8 P7 O& A+ ~5 L2 B$ S' \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。

2 g# o1 {' F- p1 ]4 o, E$ b7 X+ ?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。

7 ?; C0 @- o# j8 o维归约：去掉不相关的属性，减少数据挖掘处理的数据量。

2 f* v0 M' O" M+ p( G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   

7 f6 j. ]' `& b4 x( R/ W  B数据压缩：方法分为两类：无损压缩和有损压缩
4 s7 t3 w; }% e. P3 _6 p
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

*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]。

- |: U; ~8 f% R: Q( O6 I" Z. G3 ux’=  其中：x是属性的真实值，x’是规范化后的值。

( ~8 z) b/ ]  d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
0 a3 X! x& M0 M1 g" 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。
' Y$ a- F3 u6 ^7 `2 ?
(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：
4 I. E  A4 }1 i( c/ _
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。
8 h+ z7 j! |- v8 [# h5 M
7 `) b7 q( t5 @    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 Z. L( L# J' m5 _5 U& Z7 X$ j
(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 。
  s, b* h+ ?1 k/ D. V  E
x’= 为满足式<1的最小整数。

3 B8 f/ b! {$ e# |" L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 s. O* q+ q* F# _2 i( B————————————————
) n2 `; G6 ]5 c7 l% K$ b8 a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

: l9 s1 o5 E+ T# O8 N" v  l! K

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
3 @8 r" B" X# U

德古拉

good content but bad edition~

浅夏110

huangyanzuo 发表于 2020-5-19 12:06
4 ~- c8 |" @+ a% y, c3 l棒！棒！棒！棒！棒！棒！棒！棒！

( d2 w, e, z" h1 m# [# `) b

浅夏110

浅夏110 发表于 2020-5-21 11:36

0 T1 y) S. ]6 u- f/ T7 n