c++ 数据预处理（数据去噪，归一化）

正态分布3σ原则，把3倍方差之外的点设想为噪声数据来排除。

归一化，将数据经过处理之后限定到一定的范围内，一般都会将数据限定到[0,1]。

#include <iostream>
#include <string>
#include <vector>
#include <algorithm>
#include <numeric>
#include <cmath>
#include <fstream>
#include <sstream>

template <class DataType>
void ReadDataFromFile(std::string &filename, std::vector<std::vector<DataType> > &lines_feat) {
　　std::ifstream vm_info(filename.c_str());
　　std::string lines;
　　DataType var;
　　std::vector<DataType> row;

　　lines_feat.clear();

　　while(!vm_info.eof()) {
　　　　getline(vm_info, lines);
　　　　if(lines.empty())
　　　　　　break;
　　　　std::stringstream stringin(lines);
　　　　row.clear();

　　　　while(stringin >> var) {
　　　　　　row.push_back(var);
　　　　}
　　　　lines_feat.push_back(row);
　　}
}

template <class DataType>
void Display2DVector(std::vector<std::vector<DataType> > &vv) {
　　std::cout<<"the total rows of 2d vector_data: "<<vv.size()<<"\n";

　　for(size_t i=0;i<vv.size();++i) {
　　　　for(typename::std::vector<DataType>::const_iterator it=vv[i].begin();it!=vv[i].end();++it) {
　　　　　　std::cout<<*it<<" ";
　　　　}
　　　　std::cout<<"\n";
　　}
　　std::cout<<"--------the end of the Display2DVector()--------\n";
}

template <class DataType>
void ProcessVector(std::vector<std::vector<DataType> > &vv) {
　　std::vector<double> temp;
　　double u[3]={0.0}, sum[3]={0.0}, sigma[3]={0.0};
　　for(size_t j=0; j<3; ++j) {
　　　　temp.clear();
　　　　for(size_t i=0; i<vv.size(); ++i) {
　　　　　　temp.push_back(vv[i][j]);
　　　　}
　　　　sum[j]=std::accumulate(temp.begin(), temp.end(), 0);
　　　　u[j]=sum[j]/vv.size();
　　}

　　for(size_t j=0;j<3;++j) {
　　　　temp.clear();
　　　　sum[j]=0.0;
　　　　for(size_t i=0;i<vv.size();++i) {
　　　　　　temp.push_back(std::pow(vv[i][j]-u[j], 2.0));
　　　　}
　　　　sum[j]=std::accumulate(temp.begin(), temp.end(), 0.0);
　　　　sigma[j]=sum[j]/vv.size();
　　　　sigma[j]=sqrt(sigma[j]);
　　}

　　double MaxValue[3]={0.0}, MinValue[3]={0.0};
　　for(size_t j=0;j<3;++j) {
　　　　temp.clear();
　　　　for(size_t i=0;i<vv.size();++i) {
　　　　　　if((vv[i][j]>(u[j]-3*sigma[j])) && (vv[i][j]<(u[j]+3*sigma[j]))) {
　　　　　　　　std::cout<<vv[i][j]<<" ";
　　　　　　temp.push_back(vv[i][j]);
　　　　　　}
　　　　}
　　　　std::cout<<"\n";
　　　　MaxValue[j]=*std::max_element(temp.begin(), temp.end());
　　　　MinValue[j]=*std::min_element(temp.begin(), temp.end());
　　}

　　for(size_t j=0;j<3;++j) {
　　　　for(size_t i=0;i<vv.size();++i) {
　　　　　　if((vv[i][j]>(u[j]-3*sigma[j])) && (vv[i][j]<(u[j]+3*sigma[j]))) {
　　　　　　　　std::cout<<(vv[i][j]-MinValue[j])/(MaxValue[j]-MinValue[j])<<" ";
　　　　　　}
　　　　}
　　　　std::cout<<"\n";
　　}
}

int main() {
　　std::vector<std::vector<int> > lines_feat;
　　std::string filename="vm.data";

　　/*read data from file to 2d vector*/
　　ReadDataFromFile(filename, lines_feat);

　　/*display the raw data*/
　　Display2DVector(lines_feat);

　　/*process the data*/
　　ProcessVector(lines_feat);

　　std::cout<<"--------The end of main()--------\n";

　　return 0;
}

源数据如下(cat vm.data)：

19 26 63
13 62 65
16 69 15
14 56 17
19 6 15
11 42 15
18 58 36
12 77 33
10 75 47
15 54 70
10017 1421077 4196