- 数据仓库概念
- 数据理解与预处理
- 关联规则
- 分类算法
- 聚类算法
- 推荐系统
数据仓库概念
数据仓库是 面向主题 集成 时变 非易失的 。
面向主题:围绕主题 如顾客 供应商 而非日常的操作和事务处理
集成:将关系数据库 文件 联机事务处理集成起来
时变的:从历史(过去5-10年)提供数据
非易失:数据仓库主要两种操作数据初始装入和 访问 不需要并非事务等
数据理解与预处理
由于数据缺失,数据噪声(Salary=10),数据类型不一致(rating可以用1,2,3也可用A,B,C表示)导致数据需要进行预处理。
预处理过程主要分为:
1) 数据清洗:处理缺失值 平滑噪声和离群点,解决数据不一致问题
2) 数据集成:将多种数据库,文件,数据立方体数据集成
3) 数据转换:将数据正则化
4) 数据降维和连续数据离散化
离散数据理解:
四分位点:Q1(25%),Q3(75%)
IQR range=Q3-Q1
Five number summery:min Q1 medium Q3 max
outlier:大于或小于1.5倍 IQR
盒图:
盒图是在1977年由美国的统计学家约翰•图基(John Tukey)发明的。它由五个数值点组成:最小值(min),下四分位数(Q1),中位数(median),上四分位数(Q3),最大值(max)。也可以往盒图里面加入平均值(mean)。如上图。下四分位数、中位数、上四分位数组成一个“带有隔间的盒子”。上四分位数到最大值之间建立一条延伸线,这个延伸线成为“胡须(whisker)”。
由于现实数据中总是存在各式各样地“脏数据”,也成为“离群点”,于是为了不因这些少数的离群数据导致整体特征的偏移,将这些离群点单独汇出,而盒图中的胡须的两级修改成最小观测值与最大观测值。这里有个经验,就是最大(最小)观测值设置为与四分位数值间距离为1.5个IQR(中间四分位数极差)。即
• IQR = Q3-Q1,即上四分位数与下四分位数之间的差,也就是盒子的长度。
• 最小观测值为min = Q1 - 1.5*IQR,如果存在离群点小于最小观测值,则胡须下限为最小观测值,离群点单独以点汇出。如果没有比最小观测值小的数,则胡须下限为最小值。
• 最大观测值为max = Q3 -1.5*IQR,如果存在离群点大于最大观测值,则胡须上限为最大观测值,离群点单独以点汇出。如果没有比最大观测值大的数,则胡须上限为最大值。
通过盒图,在分析数据的时候,盒图能够有效地帮助我们识别数据的特征:
1. 直观地识别数据集中的异常值(查看离群点)。
2. 判断数据集的数据离散程度和偏向(观察盒子的长度,上下隔间的形状,以及胡须的长度)。
Q-Q图:
首先,数据值经过排序,且累积分布值按照公式 (i– 0.5)/n 进行计算,其中字母表示总数为 n 的值中的第 i 个值(累积分布值给出了某个特定值以下的值所占的数据比例)
数据清洗:
对于噪声的平滑
等距离分区:将数据划分成N个箱,A,B是数据的最大和最小值,W=(A-B)/N,则Bin1=[B,B+W],[B+W,B+2W]……
等深度分区:分成N个区间 每个区间中的数据量相等
对于Bin中的数据可使用平均数进行平滑 同时也可用Bin边界进行平滑。
例如:
如果使用等宽分割的话 W=(34-4)/3=10
则Bin1=4,8,9
Bin2=15,21,21,24
Bin3=25,26,28,29,34
数据正则化:
正则化:min-max正则化 , Z-score正则化
数据相关性分析
在数据集成的时候,如果一个属性能够被另一个属性导出则该属性是冗余的,可通过相关性分析来检测冗余。
皮尔逊相关系数:
例如: