data mining:数据预处理

引言

在进行数据挖掘的时候，我们拿到都是从现实社会中得到的原始数据，它是充满噪声的，维度也可能很高，也可能重复，因此在正式的进行数据挖掘之前我们需要对数据进行预处理。
数据预处理大概包括这几个方面：

• 数据清洗
• 数据集成
• 数据变换
• 数据规约

数据清洗

数据清洗处理处理这几个问题

• 数据空缺
• 噪声处理
• 不一致数据

数值空缺

1. 清楚空缺值记录(尤其是类别空缺的时候)
2. 取平均值(最好去同类别的平均值)
3. 设定一个全局变量unknown，将空缺值设为这个
4. 通过回归等方法对空缺值进行预测

噪声处理

1. 分箱： 参考相邻值平滑
   
   1. 平滑
      
      • 均值替换
      • 中值替换
      • 边界值（最大/小值）替换
   2. 分箱方法
      
      • 等深分箱：排序后，每个箱子装相同数量的数据
      • 等宽分箱：排序后，每个箱子的数据的宽度相同
2. 聚类：排除异常值
3. 计算机与人工检测结合：计算机检测出来后再人工进行识别
4. 回归

不一致的数据

解决方法：

1. 人工更正
2. 知识工作工具
3. 数据字典

数据集成

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。
考虑的问题：

1. 模式匹配
2. 数据冗余
3. 数据值冲突

数据变换

数据变换包括这几个方面

1. 平滑
2. 聚集
3. 数据概化
4. 规范化

数据规范化

最大-最小规范化

v′=v−minAmaxA−minA∗(newmax−newmin)+newmin

z−score 规范化(零均值规范化)

v′=v−meanstarddev

starddev 表示标准差， mean 表示平均值

小数定标规范化

v′=v10j

j 是使 max(|v′|)<1 的最小整数

数据规约

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。(提高数据挖掘的效率)
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。
   属性子集选择的基本方法包括以下几种（启发式算法）：

   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