本文共 1580 字，大约阅读时间需要 5 分钟。

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：

• 准确度
• 完整度
• 一致性
• 合乎时机–时效性
• 可信度
• 附加价值
• 可访问性、可解释性

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–Potter’s Wheel

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

规范化和聚集

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

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

• 设备异常
• 与其他已有数据不一致而被删除
• 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

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。

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

引起噪声数据的原因

• 数据收集工具的问题
• 数据输入错误
• 数据传输错误
• 技术限制
• 命名规则的不一致

如何处理噪声数据

分箱(binning):

首先排序数据，并将他们分到等深的箱中 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

聚类：

监测并且去除孤立点 计算机和人工检查结合 计算机检测可疑数据，然后对它们进行人工判断

回归

通过让数据适应回归函数来平滑数据

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：

整合不同数据源中的元数据 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_no

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

数据变换

平滑：去除数据中的噪声 （分箱、聚类、回归）

聚集：汇总，数据立方体的构建 数据概化：沿概念分层向上概化 规范化：将数据按比例缩放，使之落入一个小的特定区间 属性构造: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

数据归约策略

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

数据归约

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

数据归约策略

• 数据立方体聚集
• 维归约
• 数据压缩
• 数值归约
• 离散化和概念分层产生

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。