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 S& V  A2 v" r4 i0 T% K% {( ~% O- _* @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 O7 I1 E0 k- ^' i
3.数据挖掘中使用的数据的原则
* U* W8 [/ E# R, R: `
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。
# j- s9 N% z( ?3 G5 P* f3 ?  B7 o
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。

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

+ v8 \/ Q3 X1 V6.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。

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。
  p+ R0 o# M* T4 K
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。

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。
7 u/ U; [3 v. ]. ~; h# C5 F5 R
* T* G" J7 ~  e4 ?. _* f统一权重：设定权重（箱子深度）为4，分箱后
! h0 P7 `- M: j1 _2 U
箱1：800 1000 1200 1500

箱2：1500 1800 2000 2300

箱3：2500 2800 3000 3500
9 v' v; f* H8 C: q+ R8 o
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

3 C3 w9 [0 X" w7 X$ T箱1：800 1000 1200 1500 1500 1800

& ?2 B: E6 K4 L) c" w& N/ v箱2：2000 2300 2500 2800 3000

箱3：3500 4000 4500

箱4：4800 5000
* E) A8 L. @2 c& b( |. V+ T
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/ u* \3 ]; |( d
% |$ N; f3 T* j, W8 U/ c箱1：800
& a$ |4 r  S0 }- h& {+ P4 ^; F- W
箱2：1000 1200 1500 1500 1800 2000
- N; u- h9 s/ v3 Z1 J6 V8 m. g
1 q8 ^6 E3 @* O: \$ P箱3：2300 2500 2800 3000  
5 W$ v. n! n! X' C: e
箱4：3500 4000
) X2 A5 d* ]+ o/ l$ [
箱5：4500 4800 5000

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。

⑴按平均值平滑

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。
* H7 u5 X7 {  e) ]  L1 w$ O
5 P& e) u4 j# m1 m8 n7 s& c⑵按边界值平滑

用距离较小的边界值替代箱中每一数据。
1 W/ s: m5 h1 D5 \5 Q8 o
) o; l( Z& R7 f; t0 U" ~⑶按中值平滑

" C  H" A  {  d" D取箱子的中值，用来替代箱子中的所有数据。
$ i$ [% F7 y# o; S; k8 ~7 J% r
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。

& s$ t9 x- z' n* a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。
! g2 Y9 D7 d9 M  e- i3 Q% o
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
: n/ Q/ Y7 i* {4 \7 R3 c
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

6 ~% N5 ~+ L1 H  S+ D5 G3 Z: Y2 Z12.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

/ R4 x/ L  l- n. t) z13.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 @# }0 G* @4 J3 r
- J  `- I: Y8 L) I, H9 m! {, C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( Q& I' x- e. X2 ?6 J14.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。
0 ~. ~: V% O) l" c+ C. G7 [
! w8 q' K  \* ^  H) @+ g/ z6 p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   
* M" J1 o) O' m0 v/ v! W
0 C' p8 G7 v0 ?4 g& K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     

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

/ ~+ W% ]1 E) X2 N*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]。

* \; v% P) c- Y) rx’=  其中：x是属性的真实值，x’是规范化后的值。
  C. i& A" p; G9 q
3 d" {  U$ M9 A+ x0 ~* ]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：

0 Q- y2 y4 M5 |" i1 n( p9 \3 Vx’=(1.0-0)+0=0.716
* V- Y, M& }8 t1 D
/ ^0 m$ C! X9 @# Q' 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。
8 k  E& r0 v2 E# B& h9 R
$ B  w8 ^4 n- r# g( f (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：

9 n& f; _5 y- y5 K3 ~1 [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
0 x0 `# v# ~0 B" i/ q
9 J" u7 _4 o3 E8 O( |6 N; s/ @& h(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 。

7 o& v6 S' T; X4 E% Vx’= 为满足式<1的最小整数。

+ u( A& c, t: b, M& h8 f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。
5 j3 M* Z  v7 i/ Z原文链接：https://blog.csdn.net/wang1127248268/article/details/53571956
& w, r1 l2 Y% p& Y: R( _7 M* N, x
6 {9 D& X9 D5 s

huangyanzuo

棒！棒！棒！棒！棒！棒！棒！棒！
4 x  T0 r" y. P& J; ]

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！

$ m: I1 |/ H4 i9 u1 P- |
0 b3 K2 s2 e' {- g3 p

浅夏110

浅夏110 发表于 2020-5-21 11:36

+ N/ |% ]& _. x: y$ S. e4 N. h