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。

$ i* C1 f! y7 i2 ~; `0 B2 f# G' H2.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% A) I2 t) l/ R7 E! s. d. t
# J. E* S8 F5 F( ~! I3.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。
# j4 n4 y1 V& V3 h5 v# Q1 A' a
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。

6 F7 Y" q2 S3 @8 H. P4 F5.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
8 V7 C& K: M& n3 S1 D' [# A9 U; }) a9 a
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。
: B& K4 M/ N; S' w/ @  y
3 h5 @5 ]1 B  G( O1 |+ [' W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。
* n3 C1 r; r) L/ f; u" e, K7 ?% x- f
  H7 t% _4 e, N; R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。
2 ^" B5 ~/ ?0 n
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。
- U) s* Z# |- D4 r4 ~
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。

  S5 b' F! l% ]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。
$ [( c7 D" Z; e3 n
统一权重：设定权重（箱子深度）为4，分箱后
5 ?; n2 P8 F# Y" o8 Z
箱1：800 1000 1200 1500

箱2：1500 1800 2000 2300
% S, P& i- ?/ N! }
箱3：2500 2800 3000 3500

7 n% S5 w; S1 [& {3 p0 Q5 X箱4：4000 4500 4800 5000   

  o" C* j" s5 r  A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

. c# L5 v3 X1 c) x9 Q箱2：2000 2300 2500 2800 3000
+ `7 r3 r! O: g9 a
. n( T' S4 w5 J$ g! h箱3：3500 4000 4500

箱4：4800 5000
1 u* @8 l2 z* Q
% e: e6 y. J5 g4 p1 \; f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

箱1：800

$ ?* H, Z* v- e0 l" }% w; k- l/ V, p箱2：1000 1200 1500 1500 1800 2000

4 D9 }; b' a6 z' P' I箱3：2300 2500 2800 3000  
" ?" S$ v. e" K. d$ k( P( l" e5 @
# i; ^0 e5 k- Y* P6 S8 E) M" ~箱4：3500 4000
) Y0 X4 f5 ?/ A& g& R' C
箱5：4500 4800 5000
9 W1 ~* o* f2 b/ \, m- G4 H" H7 B
  @# v5 l  D! N3 g0 ?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。

" Y& c8 J( W$ b& F& x' V⑴按平均值平滑
- i( x2 W' E. x0 H5 f; T; _9 Y
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。
2 P5 D( W3 \- i
- L0 h  K( a, P8 F/ O- Y9 L⑵按边界值平滑

用距离较小的边界值替代箱中每一数据。

$ I. D. v  I4 ]- n4 N5 @⑶按中值平滑
' y% z& }' ?8 l- g0 t. o
取箱子的中值，用来替代箱子中的所有数据。
4 e3 W+ I# E, E7 M: w; H3 x
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。
# T/ T8 N/ }- b, E+ h
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。   

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

4 i7 x: I- i$ {9 p& B5 Q  e11. 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
* a9 n- o' B& e
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。
3 r4 X0 n. Q; B+ R; ]* u8 T
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。

* ~" D/ ]0 x% r( ~+ K2 x, W3 C14.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。

3 |% r5 g4 V1 M4 ^, j" r维归约：去掉不相关的属性，减少数据挖掘处理的数据量。

8 ^0 H2 Q/ u5 r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   

  {# p/ P0 h- O数据压缩：方法分为两类：无损压缩和有损压缩
. g* U) D: x) j8 G  ]4 v
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     
' ]8 F) {( q! k* s) s
% E# b9 ]; ]/ |1 _  c4 B3 X15.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

5 P/ r1 x9 k( k& B- t8 ^*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]。
7 e4 L$ M- Q4 R9 L: U( j
3 ?# _( }+ W) l8 {: [9 n0 ?x’=  其中：x是属性的真实值，x’是规范化后的值。

3 Y% }6 |0 ~' _# E" Z3 X' ?. 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：
$ V( W3 Z; U! l
x’=(1.0-0)+0=0.716

& r( M( M* {0 x; O: x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。

/ @5 f7 B# j% Z: ~/ k, z (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：
. v5 q9 |: d) [
# |6 d5 H, Y6 J% Z1 W- N+ px’=   =  =    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
# O) @$ E* j; M% F/ q" I! Q/ \4 _
(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 。

+ Q/ f7 P( P) M+ Cx’= 为满足式<1的最小整数。
/ a% R" e, I; ?+ g' K& n
) r' r. a) t6 o* ~. \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。
原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956


: l2 _/ b: E; h3 r

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
7 J8 D4 L7 q7 d' b, t- J- u# ~0 Y棒！棒！棒！棒！棒！棒！棒！棒！

, e; ^1 y6 i5 I; {" r6 S5 S/ a

浅夏110

浅夏110 发表于 2020-5-21 11:36