数据挖掘：数据（数据的基本统计描述）

一、概述

1. 对应成功的数据预处理而言，把握数据的全貌至关重要。
2. 基本统计描述可以用来识别数据的性质，凸显哪些数据值应该视为噪声或离群点。

 

二、中心趋势度量：均值、中位数、众数、中列数

• 也就是度量数据分布的中部或中心位置。（给定一种属性，它的值大部分落在何处）
• 频率：区间内数值的个数。

　1）均值（mean）

• 数据集“中心”的最常用、最有效的数值度量是均值。
• 均值对应于关系数据库系统提供的内置聚集函数 average（SQL 的 avg() ）。

• 加权平均值或加权平均

1. 加权（ω）：即权重，反应它们所依附的对应值的意义、重要性或出现的频率。
2. 计算：x_mean = ( ω₁x₁ + ω₂x₂ + ... +ω_Nx_N ) / ( ω₁ + ω₂ + ... + ω_N )

• 缺点
• 对极端值（例如：离群点）很敏感。（例如，公司的平均薪水会被少数几个高收入的经理显著推高）

• 方法
• 使用截尾均值：丢弃高低极端值后的均值。

　2）中位数（median）

• 定义：有序数据值的中间值。

• 计算：N 个数值，若 N 是奇数，第 (N + 1) / 2 个数据为中位数，若 N 是偶数，则中位数不唯一，它是最