数据分析 - 缺失值、异常值、一致性分析方法及Python实现

1.数据质量分析

数据质量分析主要任务：检查原始数据是否存在脏数据。

脏数据：

• 缺失值
• 异常值
• 不一致的值
• 重复数据及含有特殊符号（如：#、￥、*）的数据

1.1 缺失值分析

数据缺失主要包括：记录的缺失、记录中某个字段信息的缺失。

缺失值产生原因：

• 有些信息暂时无法获取，获取信息代价太大
• 部分信息被遗漏，人为因素：忘记填写或对数据理解错误引起数据遗漏；非人为因素：数据采集设备、存储介质、传输媒体故障引起数据丢失
• 属性值不存在，如：未婚者配偶姓名

缺失值影响：

• 数据挖掘建模丢失大量有用信息
• 数据挖掘模型所表现处的不确定性更加显著
• 控制数据会导致建模过程陷入混乱，导致不可靠的输出

缺失值分析：

• 数据统计

1.2 异常值分析

异常值分析：检验数据是否有录入错误及不合常理的数据。

异常分析方法：

• 简单统计量分析：常用统计量，最大值、最小值，用于判断变量取值是否超出合理范围
• 3δ原则；若数据服从正态分布，异常值被定义为，一组测定值中与平均值偏差超过3倍标准差的值
• 箱型图分析：异常值被定义为小于Q_L-1.5IQ_LR或大于Q_L+1.5IQ_LR的值

1.3一致性分析

数据不一致性，指数据的矛盾性、不相容性，主要发生在数据集成过程中。