数据挖掘中的数据清洗方法大全

作者：章华燕

编辑：黄俊嘉

在数据挖掘领域，经常会遇到的情况是挖掘出来的特征数据存在各种异常情况，如数据缺失 、数据值异常 等。对于这些情况，如果不加以处理，那么会直接影响到最终挖掘模型建立后的使用效果，甚至是使得最终的模型失效，任务失败。所以对于数据挖掘工程师来说，掌握必要的数据清洗方法是很有必要的！

接下来本文就依次讲解如何处理 

数据值缺失 和 数据值异常 

两种情况的处理。

1. 缺失值的处理

如下图所示，当我们在进行数据挖掘的过程中，往往会出现如下图所示的情况：某些样本的个别属性出现缺失的情况。

那么出现数据缺失的情况，我们应该怎么处理呢？

1.1 删除缺失值

当样本数很多的时候，并且出现缺失值的样本在整个的样本的比例相对较小，这种情况下，我们可以使用最简单有效的方法处理缺失值的情况。那就是将出现有缺失值的样本直接丢弃。这是一种很常用的策略。

缺点： 改变了样本的数据分布，并且对于缺失值过多的情况无法适用。

1.2 均值填补法

根据缺失值的属性相关系数最大的那个属性把数据分成几个组，然后分别计算每个组的均值，把这些均值放入到缺失的数值里面就可以了。

缺点： 改变了数据的分布，还有就是有的优化问题会对方差优化，这样会让对方差优化问题变得不准确。

1.3 热卡填补法

对于一个包含缺失值的变量，热卡填充法的做法是：在数据库中找到一个与它最相似的对象，然后用这个相似对象的值来进行填充。不同的问题可能会选用不同的标准来对相似进行判定。最常见的是使用相关系数矩阵来确定哪个变量