国赛高教杯使用python/matlab必会基础数学建模-数据处理模块(课程4)

前言：我看有人的博客学习资料本就是基础知识然后还整个付费专栏博客，那我就直接打破这一垄断，直接上干货免费资料供大家学习。

国赛高教杯数据处理全过程总结

数据存在的问题

⚫ 数据预处理是数据挖掘中的重要一环，而且必不可少。要更有效地挖掘出知识，就必须为其提供干净，准确，简洁的数据。
⚫ 现实世界中数据常常是不完整，不一致的脏数据，无法直接进行数据挖掘，或挖掘结果差强人意。

原始数据存在的问题

−数据的不一致：各系统间的数据存在较大的不一致性
如属性重量的单位：
A数据库重量单位kg
B数据库重量单位g
−噪声数据：数据中存在着错误或异常（偏离期望值），如：血压和身高为0就是明显的错误。
收集数据的时候难以得到精确的数据，主要原因：
收集数据的设备可能出现故障；
数据输入时可能出现错误；
数据传输过程中可能出现错误；
存储介质有可能出现损坏等。
− 缺失值：由于实际系统设计时存在的缺陷以及使用过程中的一些人为因素，数据记录可能会出现数据值的丢失或不确定。
− 原因可能有：
⚫ 有些属性的内容有时没有（家庭收入，参与销售事务数据中的顾客信息）；
⚫ 有些数据当时被认为是不必要的；
⚫ 由于误解或检测设备失灵导致相关数据没有记录下来；
⚫ 与其它记录内容不一致而被删除；
⚫ 忽略了历史数据或对数据的修改。
数据质量要求
⚫ 准确性：数据记录的信息是否存在异常或错误。
⚫ 完整性：数据信息是否存在缺失。
⚫ 一致性：指数据是否遵循了统一的规范，数据集合是否保持了统一的格式
⚫ 时效性：某些数据是否能及时更新
⚫ 可信性：用户信赖的数据的数量
⚫ 可解释性：指数据自身是否易于人们理解
数据预处理的主要任务
⚫ 数据清理（清洗）：去掉数据中的噪声，纠正不一致。
⚫ 数据集成：将多个数据源合并成一致的数据存储，构成一个完整的数据集，如数据仓库。
⚫ 数据归约（消减）：通过聚集、删除冗余属性或聚类等方法来压缩数据。
⚫ 数据变换（转换）：将一种格式的数据转换为另一格式的数据(如规范化)。

数据清理

数据清理就是对数据进行重新审查和校验的过程。其目的在于纠正存在的错误，并提供数据一致性。
• 缺失值的处理；
• 噪声数据；
• 不一致数据。
空缺值的处理
– 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，有些数据因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？
1）忽略元组：
• 若一条记录中有属性值被遗漏了，则将该记录排除在数据挖掘之外
• 但是，当某类属性的空缺值所占百分比很大时，直接忽略元组会使挖掘性能变得非常差
2）忽略属性列：
• 若某个属性的缺失值太多，则在整个数据集中可以忽略该属性
3）人工填写空缺值：
• 工作量大，可行性低
4）使用属性的中心度量值填充空缺值：
• 如果数据的分布是正常的，就可以使用均值来填充缺失值
• 如果数据的分布是倾斜的，可以使用中位数来填充缺失值。

5）使用一个全局变量填充空缺值：
• 对一个所有属性的所有缺失值都使用一个固定的值来填补（如“Not sure”或∞）。
6）使用可能的特征值来替换空缺值（最常用）：
• 生成一个预测模型，来预测每个丢失值
• 如可以利用回归、贝叶斯计算公式或判定树归纳确定，推断出该条记录特定属性最大可能的取值

噪声的处理

–噪声(noise) ：被测量的变量产生的随机错误或误差
• 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
如何检测噪声数据？
1）基于统计的技术
• 使用距离度量值（如马氏距离）来实现。
• 给定p维数据集中的n个观察值