数据预处理实用教案.ppt

主要(zhǔyào)内容
为什么要预处理数据(shùjù)？
数据(shùjù)清理
数据(shùjù)集成和变换
数据(shùjù)归约
第1页/共39页
第一页，共40页。
为什么要预处理数据(shùjù)？
现实世界的数据是“肮脏的”
不完整的：有些感兴趣的属性缺少属性值，或仅包含聚集数据
含噪声(zàoshēng)的：包含错误或者“孤立点”
不一致的：数据源不同，其在编码或命名上有差异
没有高质量的数据，就没有高质量的挖掘结果
高质量的决策必须依赖高质量的数据
数据仓库需要对高质量的数据进行一致地集成
第2页/共39页
第二页，共40页。
数据(shùjù)质量的多维度量
一个广为认可的多维度量观点：
精确度
完整度
一致性
合乎时机
可信度
附加价值（已经(yǐ jing)物化的数据，方便我们挖掘研究）
可访问性
跟数据本身的含义相关的
内在的、上下文相关的、数据的表达形式
第3页/共39页
第三页，共40页。
数据(shùjù)预处理的主要任务
数据清理
填写空缺的值，平滑噪声数据，识别、删除孤立点，解决(jiějué)不一致性
数据集成
集成多个数据库、数据立方体或文件
数据变换
规范化和聚集
数据归约
通过一些技术（概念分层上卷等）得到数据集的压缩表示，它小得多，但可以得到相同或相近的结果
数据离散化
数据归约的一部分，通过概念分层和数据的离散化来规约数据，对数字型数据特别重要
第4页/共39页
第四页，共40页。
数据(shùjù)预处理的形式
第5页/共39页
第五页，共40页。
数据(shùjù)清理
第6页/共39页
第六页，共40页。
空缺(kòngquē)值
数据并不总是完整的
例如：数据库表中，很多条记录的对应字段没有相应值，比如销售表中的顾客收入
引起空缺值的原因
设备异常(yìcháng)
与其他已有数据不一致而被删除
因为误解而没有被输入的数据
在输入时，有些数据因为得不到重视而没有被输入
对数据的改变没有进行日志记载（事务操作都会被日志文件记载，每次修改操作需要查找日志）
空缺值要经过推断而补上，否则算法中断报错
第7页/共39页
第七页，共40页。
如何处理空缺(kòngquē)值？常用方法如下：
直接忽略掉空缺值的整个属性或元组：当类标号缺少时通常这么做（假定挖掘任务(rèn wu)设计分类或描述），当每个属性缺少值的百分比变化很大时，其效果非常差。
人工填写空缺值：工作量大，可行性低
使用一个全局变量填充空缺值：比如使用unknown或-∞
使用属性的平均值填充空缺值
使用与给定元组属同一类的所有样本的平均值
使用最可能的值填充空缺值（基于数学算法）：使用像Bayesian公式或判定树这样的基于模型推断的方法
第8页/共39页
第八页，共40页。
噪声(zàoshēng)数据
噪声：一个测量变量中的随机错误或偏差
引起不正确属性值的原因
数据收集工具不够精确引起的问题
数据输入错误
数据传输错误（通信协议问题）
技术限制
命名规则的不一致
其它需要(xūyào)数据清理的数据问题
重复记录（引起冗余）
不完整的数据
不一致的数据
第9页/共39页
第九页，共40页。
如何处理噪声(zàoshēng)数据
分箱(binning):
首先排序数据，并将其分到等深箱中（容放相等个数数据）
然后可以按箱的平均值平滑、按箱中值平滑、按箱的边界平滑等等(děnɡ děnɡ)，从而达到平滑噪声的目的
聚类：
监测并且去除孤立点
计算机和人工检查结合
计算机检测可疑数据，然后对其进行人工判断（工作量大）
回归
通过让数据适应回归函数来平滑数据
第10页/共39页
第十页，共40页。