数据预处理
在数据挖掘中,海量的原始数据中存在着大量的不完整(有缺失值)、不一致、有异常的数据,严重影响到数据挖掘建模的执行效率,甚至可能导致挖掘结果的偏差,所以进行数据清洗显得尤为重要,数据清洗完成后接着进行或者同时进行数据集成、变换、规约等一系列的处理,该过程就是数据预处理。
数据预处理的主要内容包括数据清洗,数据集成,数据规约,数据变换等。
1. 数据清洗
1.1 缺失值处理
从统计上说,缺失的数据可能会产生有偏估计,从而这样使样本数据不能很好的代表总体,而实现中绝大部分数据都包含缺失值,因此如何处理缺失值很重要。缺失值的处理包括两个步骤,即缺失数据的识别和缺失值处理。在对是否存在缺失值进行判断之后需要进行缺失值处理,常用的方法有删除法、替换法、插补法等。
1)删除法
删除法是最简单的缺失值处理法,根据数据处理不同角度可分为删除观测样本、删除变量两种。
2)替换法
变量按属性可分为数值型和非数值型,二者的处理方法不同。如果缺失值所在的变量为数值型的,一般用该变量在其他所有对象的取值的均值来替换变量的缺失值,如果为非数值型变量,则使用该变量其他全部有效观测值的中位数或者众数替代。
3)插补法
在面对缺失值问题,常用的插补法有回归插补、多重插补等。回归插补法利用回归模型,将需要插值补缺的变量作为因变量,其他相关变量作为自变量,通过回归函数lm()预测出因变量的值来对缺失变量进行补缺。
1.2异常值处理
在异常处理之前需要对异常值进行识别,一般多采用单变量散点图或是箱形图来达到目的。
异常值处理方法 |
方法描述 </ |