数据预处理基础（—）

数据预处理

一、定义

       背景：现实世界中数据大体上都是不完整，不一致的脏数据，无法直接进行数据挖掘，或挖掘结果差强人意。为了提高数据挖掘的质量产生了数据预处理技术。

               

    数据预处理：数据预处理（data preprocessing）是指在主要的处理以前对数据进行的一些处理，以利于计算机的运算。

 

    数据预处理方法：数据清理，数据集成，数据变换，数据归约。

 

    数据预处理意义：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。数据预处理在数据挖掘之前使用，大大提高了数据挖掘模式的质量，降低实际挖掘所需要的时间。

 

二、预处理的内容

1. 数据审核：

l  准确性审核：主要是从数据的真实性与精确性角度检查资料，其审核的重点是检查调查过程中所发生的误差。  

l  适用性审核：主要是根据数据的用途，检查数据解释说明问题的程度。具体包括数据与调查主题、与目标总体的界定、与调查项目的解释等是否匹配。

l  及时性审核：主要是检查数据是否按照规定时间报送，如未按规定时间报送，就需要检查未及时报送的原因。 

l  一致性审核：主要是检查数据在不同地区或国家、在不同的时间段是否具有可比性。 

 

2. 数据筛选：

l  将某些不符合要求的数据或有明显错误地数据予以剔除；

l  将符合某种特定条件的数据筛选出来，对不符合特定条件的数据予以剔除。

 

3. 数据排序：数据排序是按照一定顺序将数据排列，以便于研究者通过浏览数据发现一些明显的特征或趋势，找到解决问题的线索。除此之外，排序还有助于对数据检查纠错，为重新归类或分组等提供依据。在某些场合，排序本身就是分析的目的之一。排序可借助于计算机很容易的完成。

l  分类数据

l  数值数据

三、数据预处理的方法

1. 数据清理

数据清理例程通过填写缺失的值、光滑噪声数据、识别或删除离群点并解决不一致性来“清理”数据。主要是达到如下目标：格式标准化，异常数据清除，错误纠正，重复数据的清除。

 

2. 数据集成

数据集成例程将多个数据源中的数据结合起来并统一存储，建立数据仓库的过程实际上就是数据集成。

 

3. 数据变换

通过平滑聚集，数据概化，规范化等方式将数据转换成适用于数据挖掘的形式。

 

4. 数据归约

数据挖掘时往往数据量非常大，在少量数据上进行挖掘分析需要很长的时间，数据归约技术可以用来得到数据集的归约表示，它小得多，但仍然接近于保持原数据的完整性，并结果与归约前结果相同或几乎相同。