002数据预处理.ppt

数据预处理 数据预处理 为什么要预处理数据？ 数据清理 数据集成 数据变换 数据归约 数据离散化 为什么要预处理数据？ 现实世界的数据是“肮脏的”——数据多了，什么问题都会出现 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 含噪声的：包含错误或者“孤立点” 不一致的：在编码或者命名上存在差异 没有高质量的数据，就没有高质量的挖掘结果 高质量的决策必须依赖高质量的数据 数据仓库需要对高质量的数据进行一致地集成 数据质量的多维度量 一个广为认可的多维度量观点： 精确度 完整度 一致性 可信度 附加价值 可访问性 …… 跟数据本身的含义相关的 内在的、上下文的、表象的 数据预处理的主要任务 数据清理 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 数据集成 集成多个数据库、数据立方体或文件 数据变换 规格化和聚集 数据归约 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 数据离散化 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 数据预处理 为什么要预处理数据？ 数据清理 数据集成 数据变换 数据归约 数据离散化 数据清理的原则 尽可能赋予属性名和属性值明确的含义 统一多数据源的属性值编码 去除唯一属性(对挖掘） 去除重复属性 去除可忽略字段 合理选择关联字段 空缺值 数据并不总是完整的 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 引起空缺值的原因 因为误解而没有被输入的数据 在输入时，有些数据应为得不到重视而没有被输入 对数据的改变没有进行日志记载 设备异常 与其他已有数据不一致而被删除 空缺值要经过推断而补上 如何处理空缺值 忽略元组：当类标号缺少时通常这么做（假定挖掘任务设计分类或描述），当每个属性缺少值的百分比变化很大时，它的效果非常差。 人工填写空缺值：工作量大，可行性低 使用一个全局变量填充空缺值：比如使用unknown或-∞ 使用属性的平均值填充空缺值 使用与给定元组属同一类的所有样本的平均值 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断的方法 噪声数据 噪声 一个测量变量中的随机错误或偏差 噪声平滑技术： 分箱：例：原始数据为4，8，15，21，21，24，25，28，34 噪声数据处理-分箱 噪声数据处理 聚类：将类似的值组织成群或“聚类”，落在聚类集合外的点被视为孤立点 计算机和人工检查结合：计算机根据信息度量理论等进行初次筛选，将筛选结果交由人来复查 回归：通过让数据适合一个函数（如回归函数）来平滑数据 聚类 通过聚类分析查找孤立点，消除噪声 回归 数据预处理 为什么要预处理数据？ 数据清理 数据集成 数据变换 数据归约 数据离散化 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： 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_id 方法：整合不同数据源中的元数据 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 可能的原因：不同的数据表示，不同的度量(元/千元,布尔类型/字符类型）等等 处理数据集成中的冗余数据 集成多个数据库时，经常会出现冗余数据 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，如“年薪” 有些冗余可以被相关分析检测到 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。 例子 数据预处理 为什么要预处理数据？ 数据清理 数据集成 数据变换 数据归约 数据离散化 数据变换 数据变换 将数据转换成适合挖掘的形式。 平滑：如采用分箱和聚类方法时，实际上是把一个区域内的值用同一个数值表示，在一定的误差允许的条件下减少了属性取值个数，进而减少挖掘算法的工作量。 聚集：对数据进行汇总和聚集。例如可以聚集日销售数据，计算年销售额。通常这一步用来为多粒度数据分析构造数据立方体。 数据变换（续） 规格化：将属性数据按比例缩放，使之落入一个小的特定区间，如-1.0到1.0或0.0到1.0 数据变换——规格化 最小－最大规格化 z-score规格化 小数定标规格化 数据变换——规格化（续） 最小----最大规格化 例：客户背景数据表中客户月收入imcome属性的实际值范围为[430，8000]，要把这个属性值规范到[0，1]，对属性值3200应用上述公式： 数据变换——规格化（续） 小数定标规格化 例:样本数据值得范围为800~5000，最大绝对值为5