数据预处理课件

数据预处理数据预处理6/25/2024为什么要预处理数据？为什么要预处理数据？n现实世界的数据是“肮脏的”数据多了，什么问题都会出现n不完整的：有些感兴趣的属性缺少属性值，或仅包含聚集数据n含噪声的：包含错误或者“孤立点”n不一致的：在编码或者命名上存在差异n没有高质量的数据，就没有高质量的挖掘结果n高质量的决策必须依赖高质量的数据n数据仓库需要对高质量的数据进行一致地集成26/25/2024数据质量的多维度量数据质量的多维度量n一个广为认可的多维度量观点：n精确度n完整度n一致性n合乎时机n可信度n附加价值n可访问性n跟数据本身的含义相关的n内在的、上下文的、表象的36/25/2024数据预处理的主要任务数据预处理的主要任务n数据清理n填写空缺的值，平滑噪声数据，识别、删除孤立点，解决不一致性n数据集成n集成多个数据库、数据立方体或文件n数据变换n规范化和聚集n数据归约n得到数据集的压缩表示，它小得多，但可以得到相同或相近的结果n数据离散化n数据归约的一部分，通过概念分层和数据的离散化来规约数据，对数字型数据特别重要46/25/202456/25/2024数据清理数据清理66/25/2024空缺值空缺值n数据并不总是完整的n例如：数据库表中，很多条记录的对应字段没有相应值，比如销售表中的顾客收入n引起空缺值的原因n设备异常n与其他已有数据不一致而被删除n因为误解而没有被输入的数据n在输入时，有些数据应为得不到重视而没有被输入n对数据的改变没有进行日志记载n空缺值要经过推断而补上76/25/2024如何处理空缺值如何处理空缺值n忽略元组：当类标号缺少时通常这么做（假定挖掘任务涉及分类或描述），当每个属性缺少值的百分比变化很大时，它的效果非常差。n人工填写空缺值：工作量大，可行性低n使用一个全局变量填充空缺值：比如使用unknown或-n使用属性的平均值填充空缺值n使用与给定元组属同一类的所有样本的平均值n使用最可能的值填充空缺值：使用像使用最可能的值填充空缺值：使用像Bayesian公式或判公式或判定树这样的基于推断的方法定树这样的基于推断的方法86/25/2024噪声数据噪声数据n噪声：一个测量变量中的随机错误或偏差n引起噪声数据的原因n数据收集工具的问题n数据输入错误n数据传输错误n技术限制n命名规则的不一致96/25/2024如何处理噪声数据如何处理噪声数据 n分箱(binning):n首先排序数据，并将他们分到等深的箱中n然后可以按箱的平均值平滑、按箱中值平滑、按箱的边界平滑等等n聚类：n监测并且去除孤立点n计算机和人工检查结合n计算机检测可疑数据，然后对它们进行人工判断n回归n通过让数据适应回归函数来平滑数据106/25/2024数据平滑的分箱方法数据平滑的分箱方法nprice的排序后数据（单位：美元）：4，8，15，21，21，24，25，28，34n划分为（等深的）箱：n箱1：4，8，15n箱2：21，21，24n箱3：25，28，34n用箱平均值平滑：n箱1：9，9，9n箱2：22，22，22n箱3：29，29，29n用箱边界平滑：n箱1：4，4，15n箱2：21，21，24n箱3：25，25，34116/25/2024聚类聚类n通过聚类分析查找孤立点，消除噪声126/25/2024回归回归xyy=x+1X1Y1Y1136/25/2024数据集成数据集成n数据集成：n将多个数据源中的数据整合到一个一致的存储中n模式集成：n整合不同数据源中的元数据n实体识别问题：匹配来自不同数据源的现实世界的实体，比如：A.cust-id=B.customer_non检测并解决数据值的冲突n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n可能的原因：不同的数据表示，不同的度量等等146/25/2024处理数据集成中的冗余数据处理数据集成中的冗余数据n集成多个数据库时，经常会出现冗余数据n同一属性在不同的数据库中会有不同的字段名n一个属性可以由另外一个表导出，如“年薪”n有些冗余可以被相关分析检测到n仔细将多个数据源中的数据集成起来，能够减少或避免结果数据中的冗余与不一致性，从而可以提高挖掘的速度和质量。156/25/2024数据变换数据变换n平滑：去除数据中的噪声（分箱、聚类、回归）n聚集：汇总，数据立方体的构建n数据概化：沿概念分层向上概化n规范化规范化：将数据按比例缩放，使之落入一个小的特定区间n最小最大规范化nz-score规范化n小数定标规范化n属性构造n通过现有属性构造新的属性，并添加到属性集中；以增加对高维数据的结构的理解和精确度166/25/2024数据变换数据变换规范化规范化n最小最大规范化nz-score规范化n小数定标规范化其中，j是使 Max(|)1的最小整数176/25/2024数据归约策略数据归约策略n数据仓库中往往存有海量数据，在其上进行复杂的数据分析与挖掘需要很长的时间n数据归约n数据归约可以用来得到数据集的归约表示，它小得多，但可以产生相同的（或几乎相同的）分析结果n数据归约策略n数据立方体聚集n维归约n数据压缩n数值归约n离散化和概念分层产生n用于数据归约的时间不应当超过或“抵消”在归约后的数据上挖掘节省的时间。186/25/2024数据立方体聚集数据立方体聚集n最底层的方体对应于基本方体n基本方体对应于感兴趣的实体n在数据立方体中存在着不同级别的汇总n数据立方体可以看成方体的格n每个较高层次的抽象将进一步减少结果数据n数据立方体提供了对预计算的汇总数据的快速访问n使用与给定任务相关的最小方体n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196/25/2024维归约维归约n通过删除不相干的属性或维减少数据量n属性子集选择n找出最小属性集，使得数据类的概率分布尽可能的接近使用所有属性的原分布n减少出现在发现模式上的属性的数目，使得模式更易于理解n启发式的（探索性的）方法n逐步向前选择n逐步向后删除n向前选择和向后删除相结合n判定归纳树206/25/2024216/25/2024226/25/2024数据压缩数据压缩n有损压缩 VS.无损压缩n字符串压缩n有广泛的理论基础和精妙的算法n通常是无损压缩n在解压缩前对字符串的操作非常有限n音频/视频压缩n通常是有损压缩，压缩精度可以递进选择n有时可以在不解压整体数据的情况下，重构某个片断n两种有损数据压缩的方法：小波变换和主要成分分析236/25/2024数值归约数值归约n通过选择替代的、较小的数据表示形式来减少数据量n有参方法：使用一个参数模型估计数据，最后只要存储参数即可。n线性回归方法：Y=+Xn多元回归：线性回归的扩充n对数线性模型：近似离散的多维数据概率分布n无参方法：n直方图n聚类n选样246/25/2024直方图直方图n一种流行的数据归约技术n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n桶和属性值的划分规则n等宽n等深nV-最优nMaxDiff256/25/2024聚类聚类n将数据集划分为聚类，然后通过聚类来表示数据集n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，则方法无效n数据可以分层聚类，并被存储在多层索引树中n聚类的定义和算法都有很多选择266/25/2024选样选样n允许用数据的较小随机样本（子集）表示大的数据集n对数据集D的样本选择：n简单随机选择n个样本，不回放：由D的N个元组中抽取n个样本n简单随机选择n个样本，回放：过程同上，只是元组被抽取后，将被回放，可能再次被抽取n聚类选样：D中元组被分入M个互不相交的聚类中，可在其中的m个聚类上进行简单随机选择（mM）n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276/25/2024选样选样SRSSRSWOR(简单随机选样，不回放)SRSWR(简单随机选样，回放)原始数据286/25/2024选样选样聚类聚类/分层选样分层选样原始数据 聚类/分层选样296/25/2024离散化离散化n三种类型的属性值：n名称型e.g.无序集合中的值n序数e.g.有序集合中的值n连续值e.g.实数n离散化n将连续属性的范围划分为区间n有效的规约数据n基于判定树的分类挖掘n离散化的数值用于进一步分析306/25/2024离散化和概念分层离散化和概念分层n离散化n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。n概念分层n通过使用高层的概念（比如：青年、中年、老年）来替代底层的属性值（比如：实际的年龄数据值）来规约数据316/25/2024数据数值的离散化和概念分层生成数据数值的离散化和概念分层生成n分箱（binning）n分箱技术递归的用于结果划分，可以产生概念分层。n直方图分析（histogram）n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。n聚类分析n将数据划分成簇，每个簇形成同一个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。n基于熵的离散化n通过自然划分分段326/25/2024通过自然划分分段通过自然划分分段n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。n聚类分析产生概念分层可能会将一个工资区间划分为：51263.98,60872.34n通常数据分析人员希望看到划分的形式为50000，60000n自然划分的3-4-5规则常被用来将数值数据划分为相对一致，“更自然”的区间336/25/2024自然划分的自然划分的3-4-5规则规则n规则的划分步骤：n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；(72,3,2)n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个等宽子区间；n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个等宽子区间；n将该规则递归的应用于每个子区间，产生给定数值属性的概念分层；n对于数据集中出现的最大值和最小值的极端分布，为了避免上述方法出现的结果扭曲，可以在顶层分段顶层分段时，选用一个大部分的概率空间。e.g.5%-95%346/25/20243-4-5规则规则例子例子(-$400-$5,000)(-$400-0)(-$400-$300)(-$300-$200)(-$200-$100)(-$100-0)(0-$1,000)(0-$200)($200-$400)($400-$600)($600-$800)($800-$1,000)($2,000-$5,000)($2,000-$3,000)($3,000-$4,000)($4,000-$5,000)($1,000-$2,000)($1,000-$1,200)($1,200-$1,400)($1,400-$1,600)($1,600-$1,800)($1,800-$2,000)msd=1,000Low=-$1,000High=$2,000第二步第四步第一步第一步 -$351-$159profit$1,838$4,700 Min Low(i.e,5%-tile)High(i.e,95%-0 tile)Maxcount(-$1,000 -$2,000)(-$1,000-0)(0-$1,000)第三步($1,000-$2,000)356/25/2024分类数据的概念分层生成分类数据的概念分层生成n分类数据是指无序的离散数据，它有有限个值（可能很多个）。n分类数据的概念分层生成方法：n由用户或专家在模式级显式的说明属性的部分序。n通过显示数据分组说明分层结构的一部分。n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。n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，来恢复相关的属性。36p经常不断地学习,你就什么都知道。你知道得越多,你就越有力量pStudyConstantly,AndYouWillKnowEverything.TheMoreYouKnow,TheMorePowerfulYouWillBe写在最后谢谢大家荣幸这一路，与你同行ItS An Honor To Walk With You All The Way演讲人：XXXXXX 时 间：XX年XX月XX日