特征工程-特征清洗

特征清洗

在进行玩特征理解后，我们大致理解了面对的数据中包含哪些内容。下一阶段，我么需要对数据中的内容进行进一步分析处理，针对不同数据进行清洗。数据清洗是对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性

一.格式内容清洗

原因

• 数据通常由人工收集或用户填写而来，很有可能存在格式和内容上的一些问题。
• 不同版本的程序产生的内容或格式不一致；
• 不同数据源采集而来的数据内容和格式定义不一致；

时间、日期格式不一致清洗

将时间和日期格式进行统一化后再进行统一处理

• 建议将年月日时间格式统一为 “2019-07-20 10：99：22”；
• 同时将不同时间颗粒度的时间数据进行对其处理，例如秒、毫秒、微秒的数据进行数据格式的对齐；

数值格式不一致清洗

根据实际需要将，不同保存格式的数据统一化，例如将一个特征下的所有数据全部统一为浮点数（float）类型。

内容中存在不应该有的字符

将不应该有的字符进行筛选与剔除，避免后续处理的问题

内容与字符要求不相符

由于人为填写错误等问题，造成填写错误或者是前端数据读取时没有校验，导致导入数据时部分没有对其或者全部没有对其。需要将其进行识别并处理。

数值类型不相符清洗

由于人为定义错误、转存、加载等原因，数据类型经常会出现数据类型不符的情况。例如：金额特征是字符串类型，实际上应该转换成int/float型。

二.逻辑错误清洗

1.数据重复

对于每个特征值都完全相同的重复数据，应该删除重复值，只保留一条。

pd.drop_duplicates()

对于数据不完全相同，但是作用完全相同的数据，也应该按需进行删除

pd.drop_duplicates(subset=['XX'], keep='last')

2.不合理内容

根据具体常识，可以明显判断出来该特征的部分数据不合理的，应该进行修改删除。例如：age:200, 月份：14

3.矛盾内容

有些字段是可以互相验证的，举例：身份证号是1101031980XXXXXXXX，然后年龄填18岁。在这种时候，需要根据字段的数据来源，来判定哪个字段提供的信息更为可靠，去除或重构不可靠的字段。

三.异常值清洗

在数据分布中，处于特定分布区域或范围之外的数据通常被定义为异常或者噪声。
异常通常分为两种：

• 伪异常：由于业务运营策略改变导致的数据波动，是正常的业务反应，而不是数据本身的异常；
• 真异常：非业务变化带来的巨大的数据变化，即数据本身的异常。

3.1 异常值判断

3.1.1. 基于统计分析

过分析统计数据的散度情况，即数据变异指标，来对数据的总体特征有更进一步的了解，对数据的分布情况有所了解，进而通过数据变异指标来发现数据中的异常点数据。
常用的数据变异指标有极差、四分位数间距、均差、标准差、变异系数等等，变异指标的值大表示变异大、散布广；值小表示离差小，较密集。

3.1.2. 3σ原则

若数据存在正态分布，在3σ原则下，异常值为一组测定值中与平均值的偏差超过3倍标准差的值。如果数据服从正态分布，距离平均值3σ之外的值出现的概率为$P(|x-\mu |>3\sigma )<=0.003$，属于极个别的小概率事件。如果数据不服从正态分布，也可以用远离平均值的多少倍标准差来描述。

3.1.3. 箱线图

箱线图提供了识别异常值的一个标准：如果一个值小于QL-1.5IQR或大于OU+1.5IQR的值，则被称为异常值。

箱型图判断异常值的方法以四分位数和四分位距为基础，四分位数具有鲁棒性：25%的数据可以变得任意远并且不会干扰四分位数，所以异常值不能对这个标准施加影响。因此箱型图识别异常值比较客观，在识别异常值时有一定的优越性。

3.1.4. 基于模型检测

首先建立一个数据模型，异常是那些同模型不能完美拟合的对象；如果模型是簇的集合，则异常是不显著属于任何簇的对象；在使用回归模型时，异常是相对远离预测值的对象。

3.1.5. 基于距离检测

基于距离的方法是基于下面这个假设：即若一个数据对象和大多数点距离都很远，那这个对象就是异常。通过定义对象之间的临近性度量，根据距离判断异常对象是否远离其他对象，主要使用的距离度量方法有绝对距离(曼哈顿距离)、欧氏距离和马氏距离等方法。

3.1.6. 基于密度

考察当前点周围密度，可以发现局部异常点，离群点的局部密度显著低于大部分近邻点，适用于非均匀的数据集。

3.2 数据光滑处理

检测出异常值后，对异常值进行处理。

3.2.1 分箱

分箱方法通过考察数据的近邻来光滑数据的值，有序值分布到不同的"桶"或者箱中，得到局部光滑的结果。
分箱方法：

• 等高方法
• 等宽方法
• 决策树方法

3.2.2 回归

可以用一个函数（如回归函数）拟合数据来光滑数据。线性回归涉及找出拟合两个属性（或变量）的“最佳”线，是的一个属性可以用来预测另一个。多元线性回归是线性回归的扩展，其中涉及的属性多于两个，并且数据拟合到一个多维曲面。

3.3 异常值处理方法

对异常值处理，需要具体情况具体分析，异常值处理的方法常用有四种：

• 删除含有异常值的记录；
• 将异常值视为缺失值，交给缺失值处理方法来处理；
• 使用均值/中位数/众数来修正；
• 不处理。

四.缺失值清洗

4.1 造成缺失值的原因

• 信息暂时无法获取
• 信息没有获取成功
• 获取的信息不可解析或不可用
• 获取信息的要求性比较高，造成信息缺失

4.2缺失值处理方法

• 数据删除；
• 数据填充；
• 不处理；

4.3 数据填充方法

• 人工填充
• 统计值填补
  • 均值填补
  • 最大或最小值填补
  • 前向值填补
  • 后向值填补
• 模型预测填补
• 插值填补
• 期望最大化填补
• 随机值填补

参考文章：
原文链接：https://blog.csdn.net/zhaodedong/article/details/98001930