Python数据挖掘——数据预处理

Python数据挖掘——数据预处理

• 数据预处理

  • 数据质量

    • 准确性、完整性、一致性、时效性、可信性、可解释性

  • 数据预处理的主要任务

    • 数据清理

    • 数据集成

    • 数据归约

      • 维归约

      • 数值归约

    • 数据变换

      • 规范化

      • 数据离散化

      • 概念分层产生

• 数据清理（试图填充缺失的值，光滑噪声并识别离群点，纠正数据的不一致）

  • 缺失值

    • 忽略元组

    • 人工填写缺失值

    • 使用一个全局常量填充缺失值

    • 使用属性的中心度量（均值／中位数）填充缺失值

    • 使用与给定元组属于同一类的所有样本的均值／中位数

    • 使用最可能的值 填充缺失值

    • 注：某些情况，缺失值并不代表错误

  • 噪声数据（噪声是被测量的变量的随机误差或方差）

    • 分箱（通过考察数据的近邻，来光滑有序数据值）

      • 用箱均值

      • 用箱中位数

      • 用箱边界

    • 回归

    • 离群点分析（通过聚类来检测离群点）

  • 数据清理化为一个过程

    • 首先进行偏差检测，还要防止字段过载

      • 唯一性规则

      • 连续性规则

      • 空值规则

    • 偏差检测商业工具

      • 数据清洗工具

      • 数据审计工具

    • 数据迁移工具

      • EIL工具

• 数据集成

  • 实体识别问题

  • 冗余和相关分析

  • 元组重复

  • 数据值冲突的检测与处理

• 数据归约

  • 数据变换与数据离散化