数据预处理—剔除异常值，平滑处理，标准化(归一化)

数据预处理的主要任务如下：

　　(1)数据清理：填写空缺值，平滑噪声数据，识别，删除孤立点，解决不一致性

　　(2)数据集成：集成多个数据库，数据立方体，文件

　　(3)数据变换：规范化(消除冗余属性)和聚集(数据汇总)，将数据从一个较大的子空间投影到一个较小的子空间

　　(4)数据归约：得到数据集的压缩表示，量小，但可以得到相近或相同的结果

　　(5)数据离散化：数据规约的一部分，通过概念分层和数据的离散化来规约数据，对数字型数据比较重要。

　　1.数据清洗

　　(1)处理空缺值：

　　A, 忽略元组

　　B.人工填写空缺值

　　C.使用一个全局变量填充空缺值

　　D.使用属性的平均值填充空缺值

　　E.使用与给定元组属同一类的所有样本的平均值

　　F.使用最可能的值填充空缺值，使用像Bayesian公式或判定树这样的基于推理的方法

　　(2)处理噪声数据

　　噪声：一个测量变量中的随机错误或偏差

　　A.分箱(binning)(等深或等宽分箱)

　　首先排序数据，并将他们分到等深的箱中

　　然后可以按箱的平均值平滑，按箱中值平滑，按箱的边界值平滑

　　B.聚类：检测并且去除孤立点

　　C.计算机和人工检查结合：计算机检测可疑数据，然后对他们进行人工判断

　　D.回归：通过让数据适应回归函数来平滑数据，对连续的数字型数据较好

　　2.数据集成

　　数据集成：将多个数据源中的数据整合到一个一致的存储中

　　模式集成：整合不同数据源中的元数据，实体识别问题：匹配来自不同数据源的现实世界中相同的实体。(人工干预或利用字段的元信息，比较字段的描述性元信息，看他们是否相同)。检测并解决数据值的冲突：对现实世界中的同一实体，来自不同数据源的属性值可能是不同的(因为不同的数据表示或不同的度量)

　　处理数据集成中的冗余数据：

　　集成多个数据库时出现冗余数据的主要原因：同一属性在不同的数据库中会有不同的字段名;一个属性可以由另外一个表导出

　　有些冗余可以被相关分析检测到:检测各个属性之间的相关性

　　事先根据其元数据或相关性分析对数据进行预处理，就能够减少或避免结果数据中的冗余与不一致性，提高数据挖掘的质量。

　　3.数据变换

　　A.平滑：去除数据中的噪声

　　B.聚集：数据汇总，数据立方体的构建，数据立方体的计算/物化(一个数据立方体在方体的最底层叫基本方体，基本方体就是已知存在的数据，对现有的数据按照不同维度进行汇总就可以得到不同层次的方体，所有的方体联合起来叫做一个方体的格，也叫数据立方体。数据立方体中所涉及到的计算就是汇总)

　　C.数据概化：沿概念分层向上汇总，数据立方体的不同的维之间可能存在着一个概念分层的关系

　　D.规范化：将数据按比例缩放，使这些数据落入到一个较小的特定的区间之内。方法有：

　　a.最小----最大规范化

　　b.Z-score规范化

　　c.小数定标规范化

　　E.属性的构造：通过现有属性构造新的属性，并添加到属性集中

　　4.数据归约

　　(1)数据归约可以用来得到数据集的归约表示，它小得多，但可以产生相同(或几乎相同的)分析结果

　　(2)数据归约策略

　　A.数据立方体聚集：

　　数据立方体是根据不同的维度对数据进行汇总，立方体的越顶层，其汇总程度就越高，数据量就越少。

　　对数据的表示就越概化。最底层的方体对应于基本方体，基本方体对应于感兴趣的实体。

　　在数据立方体中存在着不同级别的汇总，数据立方体可以看做方体的格，每一个较高层次的抽象将进一步减少结果数据集。

　　数据立方体提供了对预计算的汇总数据的快速访问，原则是使用与给定任务相关的最小方体，并且在可能的情况下，对于汇总数据的查询应当使用数据立方体。

　　B.维归约：用来检测或删除不相关的或基本不相关的属性或冗余属性或维，来减少数据量。

　　属性子集的选择：找出最小属性集，使得数据类的概念分布尽可能的接近使用所有属性的原分布，把不相关的属性全部删除。

　　可以减少出现在发现模式上的属性的数目，使得模式便于理解。

　　主要方法有：启发式的(探索式的try and error)方法，该方法包括逐步向前选择(从空属性集开始，每次选择都选择当前属性集中最符合的目标，

　　最好的属性，加到当前的属性集中，这样逐步的向前选择，把有用的属性一个一个的添加进来)，

　　逐步向后删除(从属性全集开始，每次删除还在当前属性集中的最不适合的那个属性，最坏的属性，这样一个一个的删除，最后留下来的就是相关的属性)，

　　向前选择和向后删除相结合(每次选择一个最好的属性，并且删除一个最坏的属性)，判定归纳树

　　C.数据压缩：使用一些编码机制来压缩数据集。无损压缩(可以根据压缩之后的数据完整的构造出压缩之前的数据wrar. zip等，如字符串压缩)

　　和有损压缩(无法通过压缩之后的数据来完整的构造出压缩之前的数据，如音频/视频压缩，有时可以在不解压缩整体数据的情况下，重构某个片段，主要应用于流媒体传输)。

　　两种有损数据压缩的方法：小波变换和主要成分分析

　　D.数值归约：使用较小的，替代的数据来估计，替换，表示原数据(用参数模型)：通过选择替代的，较小的数据表示形式来减少数据量。

　　方法主要有：有参方法(使用一个参数模型来估计数据，最后只要存储参数即可，有线性回归方法，多元回归，对数线性模型(近似离散的多维数据概率分布))和

　　无参方法(直方图(将某属性的数据划分为不相交的子集或桶，桶中放置该值的出现频率，其中桶和属性值的划分规则有：等深，等宽，V-最优，MaxDiff)，

　　聚类(将数据集划分为聚类，然后通过聚类来表示数据集，如果数据可以组成各种不同的聚类，则该技术非常有效，反之如果数据界线模糊，则该方法无效。

　　数据可以分层聚类，并被存储在多层索引树中)，选样(允许用数据的较小随机样本(子集)表示大的数据集。对数据集D的样本选择方法有：简单随机选择n个样本，不放回(由D的N个元组中抽取n个样本)，

　　简单随机选择n个样本，回放(由D的N个元组中抽取n个样本，元组被抽取后将被回放，同一元组可能再次被抽取到)，聚类选样(聚类分析和简单随机选样的结合，

　　D中元组被分入到M个互不相交的聚类中，可以在其中的m个聚类上进行简单随机选样，mM),分层选样(D被划分为互不相交的层，则可通过对每一层的简单随机选样得到D的分层选样)

　　5.离散化和概念分层的产生

　　离散化：将连续属性的范围划分为区间，以减少所必需处理的数据的量。

　　主要应用于以下三类数据：名称型(无序集合中的值)，序数(有序集合中的值)，连续值(实数)。

　　使用连续属性的范围的划分，使用某一范围的值来代替某一段的值。

　　离散化可以有效的规约数据(基于判定树的分类挖掘)。离散化是通过将属性域划分为区间，减少给定连续属性值的个数，区间的标号可以代替实际的数据值。

　　概念分层是通过使用高层的概念来替代底层的属性值。

　　A.数值型数据如何离散化：

　　(1)分箱 binning：分箱技术递归的用于结果划分，可以产生概念分层。

　　(2)直方图分析 histogram:直方图分析方法递归的应用于每一部分，可以自动产生多级概念分层。

　　(3)聚类分析：将数据划分成簇，每个簇形成同一概念层上的一个节点，每个簇可再分成多个子簇，形成子节点。

　　(4)基于熵的离散化(基于统计学的)

　　(5)通过自然划分分段：将数值区域划分为相对一致的，易于阅读的，看上去更直观或自然的区间。

　　自然划分的3-4-5规则：如果一个区间最高有效位上包含3,6,7或9个不同的值就将该区间划分为3个等宽子区间;

　　如果一个区间最高有效位上包含2，4或8个不同的值，就将该区间划分为4个等宽的子区间;

　　如果一个区间最高有效位上包含1，5或10个不同的值，就将该区间划分为5个等宽的子区间;

　　再将该规则递归的应用于每个子区间。(对于数据集中出现的最大值和最小值的极端分布，为避免上述方法出现的结果扭曲，可以在顶层分段时，选用一个大部分的概率空间5%--95%)

　　B.分类数据的离散化：

　　(1)分类数据指无序的离散数据，它有有限个值(可能是很多个)

　　(2)分类数据的概念分层生成方法：(属性的序代表的是属性之间的一个包含关系，说明其在概念分层中的层次的高低)

　　由用户或专家在模式级显式的说明属性的部分序。在定义数据库时就注明属性之间的包含关系，在进行数据汇总时，直接找到该包含关系，

　　利用此包含关系进行数据向上汇总。

　　通过显示数据分组说明分层结构的一部分。

　　说明属性集，但不说明它们的偏序，然后系统根据算法自动产生属性的序，构造有意义的概念分层。

　　如何根据实际的数据来自动的生成一个偏序?根据在给定的属性集中每个属性所包含的不同值的个数，可以自动生成概念分层，不同值个数最多的属性将被放在概念分层的最底层。

　　对只说明部分属性集的情况，则可根据数据库模式中的数据语义定义对属性的捆绑信息，来恢复相关属性。在定义数据库的同时定义一个捆绑信息，将存在偏序关系的几个属性捆绑在一起。