文章目录

一.噪声数据
- 1.1分箱
- 1.2分箱法光滑数据
- 1.3噪声数据
- 1.4回归Regression
- 1.5聚类Cluster Analysis
- 1.6 数据清理作为一个过程
- - 1.6.1 偏差检测
  - 1.6.2 数据变换（纠正偏差）
  - 1.6.3迭代
- 1.6.4 加强交互性
二. 数据集成和变换
- 2.1 数据集成
- 2.2 数据变换
- 2.3规范化
- - 2.3.1 Min-Max 规范化(最小-最大规范化)
  - 2.3.2 Min-Max 规范化(最小-最大规范化)例子代码（红酒数据集）
  - 2.3.4 缺点
  - 2.3.5 Score规范化(零-均值规范化)
  - 2.3.6 Score规范化(零-均值规范化)例子代码（红酒数据集）

一.噪声数据

噪声数据（Noisy Data）就是无意义的数据，这个词通常作为损坏数据的同义词使用。

1.分箱：

通过考察数据的“近邻”（周围的值）来光滑有序数据的值。局部光滑

2.回归：

用一个函数（回归函数）拟合数据来光滑数据。

3.聚类:

将类似的值聚集为簇A

4.其他:

如数据归约、离散化和概念分层

1.1分箱

通过考察数据的“近邻”（周围的值）来光滑有序数据的值。局部光滑。

划分：等频、等宽
光滑：用箱均值、用箱中位数、用箱边界（去替换箱中的每个数据）
箱中的最大和最小值被视为箱边界。箱中的每一个值都被最近的边界值替换。

1.2分箱法光滑数据

1.3噪声数据

1.回归：

用一个函数（回归函数）拟合数据来光滑数据。

线性回归
多元线性回归

2.聚类：将类似的值聚集为簇。
检测离群点

噪声数据是有益处的。

1.4回归Regression

1.5聚类Cluster Analysis

1.6 数据清理作为一个过程

1.6.1 偏差检测

1.使用“元数据”：关于数据的数据。

例如，每个属性的数据类型是什么？定义域是什么？

2.编码格式：存在使用不一致、数据表示不一致

例如：日期“2015／12／08”和”08／12／2015＂

3.字段过载：

新属性的定义挤进已定义的属性的未使用（位）部分

4.唯一性规则：

给定属性的每个值都必须不同于该属性的其他值。

5.连续性规则：

属性的最低值和最高值之间没有缺失的值，并且所有的值还必须是唯一的（例如，检验数）

6.空值规则：

说明空白、问号、特殊符号或指示空值条件的其他串的使用（例如，一个给定属性的值何处不能用），以及如何处理这样的值。

1.6.2 数据变换（纠正偏差）

数据清洗工具：使用简单的领域知识（邮政地址知识和拼写检查），检查并纠正数据中的错误。
在清理多个数据源的数据时，这些工具依赖分析和模糊匹配技术。
数据审计工具：通过分析数据发现规则和联系，并检测违反这些条件的数据来发现偏差。
数据迁移工具：允许说明简单的变换。
ETL（提取／变换／装入）工具：允许用户通过图形用户界面说明变换。
通常这些工具只支持有限的变换

1.6.3迭代

需要迭代执行偏差检测和数据变换（纠正偏差）这两步过程。
-通常需要多次迭代才能达到满意的效果。

1.6.4 加强交互性

数据清理工具：
- kettle是一个开源的数据清理工具
开发数据变换操作规范说明语言

二. 数据集成和变换

数据集成合并多个数据源中的数据，存放在一个一致的数据库(如数据仓库)中。
源数据可能包括多个数据库，数据立方或一般文件。
数据变换将数据转换或统一成适合于挖掘的形式。

2.1 数据集成

1.实体识别

元数据可帮助避免错误

2.属性冗余与相关性分析-

相关分析

3.数据重复（元组冗余）

4.数据值冲突的检测与处理

表示、比例或编码不同

2.2 数据变换

1.平滑：去掉数据中的噪声。技术包括分箱、回归、聚类。

2.聚集Aggregation：对数据进行汇总或聚集。

3.数据泛化（概化）：使用概念分层，用高层概念替换低层或“原始”数据。

4.规范化：将属性数据按比例缩放，使之落入一个小的特定区间。最小-最大、Z-Score、按小数定标规范化。

5.属性构造（特征构造）：由给定的属性构造新的属性并添加到属性集中，以帮助挖掘过程。可以帮助提高准确率和对高维数据结构的理解。

数据立方体聚集

概念分层

2.3规范化

2.3.1 Min-Max 规范化(最小-最大规范化)

规范化公式：

2.3.2 Min-Max 规范化(最小-最大规范化)例子代码（红酒数据集）

1.事先准备，采用红酒数据集，将数据拿出：

from sklearn.model_selection import train_test_split
from sklearn import linear_model
from sklearn.datasets import load_wine
wine = load_wine()
X = wine.data
y = wine.target

2.支持向量机

from sklearn import svm
svm = svm.SVC()

3.支持向量机 training score:

print("支持向量机 training score: ",svm.score(X,y))
svm.fit(wine_X,y)

运行结果为：

6.手动让其进行Min-Max 规范化(最小-最大规范化)：

wind_X=X.copy()
for i in range(13):columu_X = X[:, i]wind_X[:, i] = (columu_X-columu_X.min())/(columu_X.max()-columu_X.min())
print(wind_X)

7.对照组，输出之前的训练得分：

svm.fit(X,y)
print("支持向量机 training score: ",svm.score(X,y))

8.支持向量机归一化后 training score:

svm.fit(wind_X,y)
print("支持向量机归一化后 training score: ",svm.score(wind_X,y))

9.结果：可以看出，对其改善很大。

2.3.4 缺点

1.若存在离群点，可能影响规范化

2.若在规范化后添加新的数据，当新数据落在原数据的区间[minA， max A ]之外，将导致“越界”
错误。

2.3.5 Score规范化(零-均值规范化)

z-score规范化（零均值规范化）：属性A的值基于A的平均值和标准差规范化。

对离群点不敏感

2.3.6 Score规范化(零-均值规范化)例子代码（红酒数据集）