乐趣区

数据挖掘复习笔记03数据预处理

数据预处理

Outline

  • 概述,Abstract,什么是预处理,为什么,怎么办
  • 数据清洗,data cleaning
  • 数据整合,data integration
  • 压缩,reduction
  • 变换,离散化

概述

  • 为什么

    如果不进行预处理,数据的质量一般会很糟糕,会带来维度灾难等后果,影响后续处理的效率以及最终结果。

  • 四个步骤

    清洗:填充缺失值,去噪降噪,去除异常点

    整合:整合不同来源的数据

    压缩:压缩

    变换:分层,归一化

数据清洗

  • 原始数据可能存在哪些问题?

    噪声,离群点,缺失值,重复值

  • 如何去噪

    均值,最大值,最小值,中值

    回归,用超平面拟合数据点,

  • 离群点

    明显脱离集体的点

  • 缺失值

    信息收集不完全,丢失,。。。

    如何处理:舍弃,估计(0,众数,中值,。。。)

  • 重复值

    融合两个数据集的时候容易出现重复,比如某个人有多个邮箱地址,多次填表,。。。

    去重

数据整合

  • 整合不同来源的数据,同时要检查冲突

    相同的实体,在不同的数据集中可能有不同的表达方式,比如名字不同,长度单位不同,阿拉伯数字或者英文数字表达

  • 处理数据冗余

    对于不同表达方式的对象,要能识别出最终实体

    月收入 * 12 ≈ 年收入

    处理方式:相关性分析 correlation analysis, 协方差分析 covariance analysis

  • 如果处理得当,可以减少冗余,减少维度,提升数据集质量,提升处理速度

  • 相关性分析 correlation analysis

    • X^2 (Chi-Square) test,卡方检验(存疑)

      X^2 越大,相关性越大,> 10.828 说明明显相关

    • 相关系数

      r > 0, 正相关

      r = 0, 不相关

      r < 0, 负相关

    • 相关性

      先对 a, b 标准化 a = (a – mean_a) / std_a, b = (b – mean_b) / std_b

      correlation(A, B) = a * b (内积)

  • 协方差分析

    cov(A, B) > 0, 正相关, < 0 负相关,

    例子

压缩

  • 使数据体积减小,但是不影响最终分析结果

  • 为什么要压缩:数据集的体积太大了,处理时间太长

  • 维度灾难

    当维度增加,数据会变得更加系数,体积明显增加,组合数爆炸式增长,使维度增加前的一些定义失去意义,可视化难度增加

  • 策略

    降维(移除无用属性):小波变换,PCA,特征选择

    替换:用超平面拟合数据,只保留超平面参数

    压缩:

    变换:傅里叶变换,小波变换(图像压缩,多分辨率分析)

    小波分解

  • 为什么用小波(存疑)

    • 滤波器 (hat-shape filter):突出那些点集中的区域,抑制边界点
    • 移除离群点,过滤噪声
    • 多分辨率,检测不同尺度下不同形状的集群
    • 高效,O(n)
    • 但是只对低维数据有效

  • PCA, Principal Component Analysis, 主成分分析

    把高维空间映射到低维空间,同时尽可能多地保留原来的点

    找出协方差矩阵的特征向量,这些特征向量定义了新的空间

    步骤:先进行标准化,使所有属性的值域相同;计算 k 个标准正交向量,即 k 个主要成分;排序,舍弃较小的向量,从而达到降维的目的

    只对数值型数据有效

  • 特征选择

    舍弃一些特征,比如 总价 = 单价 * 数量,总价其实可以舍去。还有就是一些明显不相关的特征,比如学号和成绩一般来说是不相关的,学号可以舍去。

其他数据压缩方法

  • 假设数据分布符合某种模型,我们可以用超平面拟合数据,然后只保留参数。

    线性回归(假设初始直线,计算所有点到直线的距离的平方和作为误差 sqe,梯度下降使得 sqe 最小):Y = wX + b

    多元回归:Y = b0 + b1X1 + b2X2 + …

    不止是数据压缩降维,还可以使数据平滑

  • 直方图分析

    把数据放到不同的 bucket/bin,这些 bucket 都是计数器,用统计值(求和,平均值)代替 bucket 中的数据

    等宽 (equal-width), 0-10, 10-20, 20-30, …

    等间隔 (equal-frequency),每 5 个人一个 bucket,

  • 聚类

    先聚类,然后只保留类中心或者类特征,以此代表整个类的点

  • 抽样(样本代替总体)

    随机采样,放回采样,不放回采样,自适应采样 (如分层采样,避免倾斜)

    注意,不会减少 IO 时间

  • 数据压缩

    有损 / 无损 压缩

    文本压缩(通常无损),音视频压缩(通常有损)

数据变换

  • 平滑(去噪)

  • 把两个特征合并为新的特征

  • 聚合:摘要,数据方快

  • 标准化

    min-max,z-score(减去均值, 再除以标准差),decimal scaling

  • 离散化

离散化

  • 把【1. 非数值型数据,2. 连续的数值型数据】转为【离散的数值型数据】

    【1. 非数值型数据】:Nominal(名词,如颜色,职业),Ordinal(序数词)

    【2. 连续的数值型数据】:量化,离散化,以此减少数据量。为后续的分类做准备。

  • 方法

    • Binning, 分桶,直方图,top-down,无监督。

      • Equal-width (distance) partitioning,相同大小的全部放在一个桶。

        噪点影响较大,可能存在严重倾斜

      • Equal-depth (frequency) partitioning,每个桶的数量相等
      • Smoothing

        放到不同桶里面,然后用均值 / 最大值 / 最小值进行平滑

    • 聚类,无监督,top-down split 或 bottom-up merge
    • 决策树,有监督,top-down
    • 相关性分析,无监督,bottom-up

分层

  • 可能需要人为制定划分标准,street < city < state < country
  • 也可以把取值最多的属性作为最低层, 比如街道名的取值一般要远远大于国家名的取值

小结

  • 数据清洗:去掉重复值,异常值,缺失值,噪声
  • 数据整合:整合不同来源的数据,处理冲突,相关性分析,协方差分析
  • 数据压缩:去掉无用信息,改变表达方式,降维,减少数据体积,加快处理速度,还能产生相同的分析结果
  • 数据变换:标准化,离散化,改变属性表达方式,映射到新的属性空间

退出移动版