数据预处理工作中的几个关键主题探讨：聚集、抽样、降维、离散化、变量变换等

数据预处理是数据挖掘领域必不可少的前提工作。经过预处理的功数据才更加有质量，更好地适应数据挖掘的算法过程、减少运算量或优化运算过程，在某些时候甚至起到决定结果好坏的作用。

我们讨论如下几个主题：

一、聚集

二、抽样

三、维归约（降维）

四、特征子集

五、特征创建

六、离散化和二元化

七、变量变换

---

粗略地说，我们要探讨的问题分类：对数据的分析和对数据属性的创建/修改。

有些比较简单、顾名思义的工作，就不再多赘述了。

一、聚集

聚集就是积少成多，把两个及以上的对象合并为单个对象。

有时候我们要考虑的对象很多，比如一个超市中顾客的数据，除了买了什么商品，还有商品的日期、价格、税费、时间点、日期、季节时令等等，此时我们要考虑的就是如何合并所有记录的每个属性的值。定量属性（如价格）通常使用求和、求平均等方法进行聚集；定性属性可以忽略或汇总来处理。

聚集的动机有多种：1、较小的数据集，占据较小的内存，而可以使用开销更大的算法；2、通过高层（高级别）的数据，可以起到范围或标度的转换作用；3、对象或属性群的行为通常比单个对象或单个属性的行为更加稳定（比如平均数、总数等指标往往具有较小的变异性）。

二、抽样

抽样是一种选择数据的子集进行分析的常用方法。

抽样方法：