对于噪声数据理解以及Min-Max 规范化和 Score规范化(零-均值规范化)的实例【数据预处理】

一.噪声数据

噪声数据（Noisy Data）就是无意义的数据，这个词通常作为损坏数据的同义词使用。

1.分箱：

• 通过考察数据的“近邻”（周围的值）来光滑有序数据的值。局部光滑

2.回归：

• 用一个函数（回归函数）拟合数据来光滑数据。

3.聚类:

• 将类似的值聚集为簇A

4.其他:

• 如数据归约、离散化和概念分层

1.1分箱

通过考察数据的“近邻”（周围的值）来光滑有序数据的值。局部光滑。

• 划分：等频、等宽
• 光滑：用箱均值、用箱中位数、用箱边界（去替换箱中的每个数据）
• 箱中的最大和最小值被视为箱边界。箱中的每一个值都被最近的边界值替换。

1.2分箱法光滑数据

1.3噪声数据

1.回归：

用一个函数（回归函数）拟合数据来光滑数据。

• 线性回归

• 多元线性回归

2.聚类：将类似的值聚集为簇。
检测离群点

噪声数据是有益处的。

1.4回归Regression

1.5聚类Cluster Analysis

1.6 数据清理作为一个过程

1.6.1 偏差检测

1.使用“元数据”：关于数据的数据。

• 例如，每个属性的数据类型是什么？定义域是什么？

2.编码格式：存在使用不一致、数据表示不一致

• 例如：日期“2015／12／08”和”08／12／2015＂

3.字段过载：

• 新属性的定义挤进已定义的属性的未使用（位）部分

4.唯一性规则：

• 给定属性的每个值都必须不同于该属性的其他值。

5.连续性规则：

• 属性的最低值和最高值之间没有缺失的值，并且所有的值还必须是唯一的（例如，检验数）

6.空值规则：

• 说明空白、问号、特殊符号或指示空值条件的其他串的使用（例如，一个给定属性的值何处不能用），以及如何处理这样的值。

1.6.2 数据变换（纠正偏差）

• 数据清洗工具：使用简单的领域知识（邮政地址知识和拼写检查），检查并纠正数据中的错误。
  在清理多个数据源的数据时，这些工具依赖分析和模糊匹配技术。
• 数据审计工具：通过分析数据发现规则和联系，并检测违反这些条件的数据来发现偏差。
• 数据迁移工具：允许说明简单的变换。
• ETL（提取／变换／装入）工具：允许用户通过图形用户界面说明变换。
• 通常这些工具只支持有限的变换

1.6.3迭代

• 需要迭代执行偏差检测和数据变换（纠正偏差）这两步过程。
• -通常需要多次迭代才能达到满意的效果。

1.6.4 加强交互性

• 数据清理工具：
  • kettle是一个开源的数据清理工具
• 开发数据变换操作规范说明语言

二. 数据集成和变换

• 数据集成合并多个数据源中的数据，存放在一个一致的数据库(如数据仓库)中。
• 源数据可能包括多个数据库，数据立方或一般文件。
• 数据变换将数据转换或统一成适合于挖掘的形式。

2.1 数据集成

1.实体识别

• 元数据可帮助避免错误

2.属性冗余与相关性分析-

• 相关分析

3.数据重复（元组冗余）

4.数据值冲突的检测与处理

• 表示、比例或编码不同

2.2 数据变换

1.平滑：去掉数据中的噪声。技术包括分箱、回归、聚类。

2.聚集Aggregation：对数据进行汇总或聚集。

3.数据泛化（概化）：使用概念分层，用高层概念替换低层或“原始”数据。

4.规范化：将属性数据按比例缩放，使之落入一个小的特定区间。最小-最大、Z-Score、按小数定标规范化。

5.属性构造（特征构造）：由给定的属性构造新的属性并添加到属性集中，以帮助挖掘过程。可以帮助提高准确率和对高维数据结构的理解。

数据立方体聚集

概念分层

2.3规范化

2.3.1 Min-Max 规范化(最小-最大规范化)

规范化公式：

2.3.2 Min-Max 规范化(最小-最大规范化)例子代码（红酒数据集）

1.事先准备，采用红酒数据集，将数据拿出：

from sklearn.model_selection import train_test_split
from sklearn import linear_model
from sklearn.datasets import load_wine
wine = load_wine()
X = wine.data
y = wine.target

2.支持向量机

from sklearn import svm
svm = svm.SVC()

3.支持向量机 training score:

print("支持向量机 training score: ",svm.score(X,y))
svm.fit(wine_X,y)

运行结果为：

6.手动让其进行Min-Max 规范化(最小-最大规范化)：

wind_X=X.copy()
for i in range(13):
    columu_X = X[:, i]
    wind_X[:, i] = (columu_X-columu_X.min())/(columu_X.max()-columu_X.min())
print(wind_X)

7.对照组，输出之前的训练得分：

svm.fit(X,y)
print("支持向量机 training score: ",svm.score(X,y))

8.支持向量机归一化后 training score:

svm.fit(wind_X,y)
print("支持向量机归一化后 training score: ",svm.score(wind_X,y))

9.结果：可以看出，对其改善很大。

2.3.4 缺点

1.若存在离群点，可能影响规范化

2.若在规范化后添加新的数据，当新数据落在原数据的区间[minA， max A ]之外，将导致“越界”
错误。

2.3.5 Score规范化(零-均值规范化)

z-score规范化（零均值规范化）：属性A的值基于A的平均值和标准差规范化。

对离群点不敏感

2.3.6 Score规范化(零-均值规范化)例子代码（红酒数据集）

1.事先准备，采用红酒数据集，将数据拿出：

from sklearn.model_selection import train_test_split
from sklearn import linear_model
from sklearn.datasets import load_wine
wine = load_wine()
X = wine.data
y = wine.target

2.支持向量机

from sklearn import svm
svm = svm.SVC()

3.使用模型里的按列归一化：

from sklearn import preprocessing
#数据预处理：按列归一化
wine_X=preprocessing.scale(X)
print(wine_X)

4.输出结果为：

5.手动撰写按列归一化

wind_X=X.copy()
for i in range(13):
    columu_X = X[:, i]
    wind_X[:, i]=(columu_X-columu_X.mean())/columu_X.std()
print(wind_X)563

6.结果查看：