数据预处理的主要步骤：数据清理，数据集成、数据规约和数据变换。目的主要是将缺失的数据补充完整，消除噪声数据，识别和删除离群点并解决不一致性。做到将数据格式标准化、异常数据清除、错误纠正、重复数据清除。
1）异常数据处理：
异常数据分析：
（1）使用统计值进行判断，最大值、最小值、平均值等判断是否超出范围。
（2） 使用3原则，异常值和平均值比超出三倍标准差及小概率事件，可看做异常值.
（3）箱线图，数值超过了箱线图的上下边界即为异常值。
异常数据处理方式：
（1）删除异常数据
（2）视为缺失值，用缺失值处理方式进行处理
（3）平均值处理方法，前后观测值的平均值替代，或者整体数据的平均值。
（4）不进行处理，按正常数据
2）缺失值处理：
很多原因都会造成数据的缺失，现实世界的数据一般是不完整的、有噪声的和不一致的。主要原因有：
（1）保存不当缺失
（2）采集不当缺失
（3）不确定原因无法获取导致缺失
数据的缺失对数据挖掘有一定影响，因此我们需要进行对缺失值进行处理，处理缺失值主要方法：
（1）忽略元组
（2）人工填写缺失值
（3）使用一个全局常量填充缺失值（例如用unknown替换，该方法会让挖掘程序误认为他们形成了一个有趣的概念，因为他们都具有一个相同的常量unknown，因此该方法并不十分可靠）
（4）去掉缺失数据属性
（5）使用与给定元组属同一类的所有样本的属性均值或中位数代替
（6）默认值代替 预测值代替 插补法代替
插补法代替细分为：
（1）最近邻补插，附近值代替，前后值均值代替
（2）回归拟合代替
3）噪声数据处理：
噪声是被测量的变量的随机误差和方差，处理噪声的方法：
（1）分箱
（2）回归
（3）离群点分析
分箱法：按照一定的规律将数据放进一些箱子中，考察每个箱子中的数据，采用合适的方法处理箱子中的数据，分箱方法：
（1）权重分箱法（每个箱子里的数据量相同）
（2）统一区间法，根据属性区间平均分，相纸宽度是一个常量
（3）自定义区间法
分箱后对数据进行平滑处理的方法：
（1）平均值平滑
（2）边界值平滑
（3）中值平滑
离群点分析：可以通过如聚类来进行检测离群点，聚类将类似的值组织成群或“簇”,直观的，落在簇集合之外的值视为离群点，即为噪声数据
回归法：线性回归或者非线性回归来光滑数据 线性回归涉及找出拟合两个属性（或变量）的最佳直线，使得一个属性可以用来预测另外一个。多元线性回归是线性回归的扩充，涉及属性多于两个，并且数据拟合到一个多维曲面。
