机器学习——数据预处理（Preprocessing）

通常我们获取到的初始数据通常具有缺失值，重复值，以及一些噪音数据等，需要在使用之前进行数据预处理。
数据预处理的常用流程为：去除唯一属性、缺失值处理、异常值处理、属性编码、数据标准化、特征选择、主成分分析。

1、去除唯一属性

唯一属性通常是一些id属性，这些属性并不能刻画样本自身的分布规律，所以简单地删除这些属性即可。

2、缺失值处理

• 删除包含缺失值的一整列
  当该列种的大部分数据都缺失时可采用该方式，如果只有个别数据缺失，直接删除整列会导致大量信息丢失
  
• 填充缺失值
  往缺失值中填入相关数据，例如：列均值、中位数、众数等
  填充值往往比直接删除整列数据有更好的效果
  
• 扩展填充
  直接填充缺失值往往和实际的值之间有所差别，加入一列记录原始数据是否缺失可能会对预测结果有更好的效果
  

3、异常值识别与处理

异常值是数据中常有的噪音，异常值又可以分为“真异常”和“假异常”。有时特定业务动作的变化会引发“真异常”，此时异常值反应的是真实情况，如果直接删除掉，可能就错失了信息。
识别异常值的方法：

• 描述性统计法
  通过描述性统计的方法，可以获取到数据的极大值、极小值、均值、标准差等基本统计数据，然后根据常识判断出与基本认知不符的数据。
  例如：年龄的极大值为200，或者极小值为负数等，都属于异常数据
• $3\sigma$方法
  对于符合正太分布或者近似符合正太分布的数据，99%的数值应该位于距离均