《大数据开发》数据类型+常用数据处理

数据类型

从结构划分

常见数据操作

1. 均值操作：作用衡量这个系统的平均值，可以做两个系统的比较。缺点:对异常数据敏感
2. 标准差操作：衡量这个系统的波动程度，可以做两个系统的比较。缺点:对异常数据敏感
3. 变异系数操作：均值/方差，可以用于不同系统的比较。
4. 切尾均值操作：作用衡量这个系统的平均值，可以做两个系统的比较,一定程度上解决数据异常。

异常检测

什么是异常(离群点)：异常就是显著不同于这个系统的值，不属于该系统的范围。
1.系统异常：属于合理的，但是确实发生了。如这个人身高2.3m。
2.非系统异常：属于不合理的，由于登录错误造成的。100m。

异常对数据挖掘、分析的影响：如果不做异常处理，那么就会很大程度影响分析结果，导致错误的决策。专门有一个领域就是异常检测领域:作弊系统、垃圾邮件、黑客攻击、信用评分等。

数据变化

作用：

1. 去量钢化。
2. 在算法中使得梯度下降快速收敛。
3. 使得计算距离不会出现大数吃小数的状态。

数据归一化：是将数据按比例缩放，使之落入一个小的特定区间。

数据log转化：通过log压缩，使得异常数据 不在那么异常。

z-score 标准化：将数据看成是正态分布，通过减去均值，除以标准差将数据转为标准正态分布。

算法练习

3西格玛准则异常识别

sigma原则：数值分布在（μ-σ，μ+σ）中的概率为0.6526；
2sigma原则：数值分布在（μ-2σ，μ+2σ）中的概率为0.9544；
3sigma原则：数值分布在（μ-3σ，μ+3σ）中的概率为0.9974；
其中在正态分布中σ代表标准差，μ代表均值x=μ即为图像的对称轴。
由于“小概率事件”和假设检验的基本思想 “小概率事件”通常指发生的概率小于5%的事件，认为在一次试验中该事件是几乎不可能发生的。
由此可见X落在（μ-3σ，μ+3σ）以外的概率小于千分之三，在实际问题中常认为相应的事件是不会发生的，基本上可以把区间（μ-3σ,μ+3σ）看作是随机变量X实际可能的取值区间，这称之为正态分布的“3σ”原则。