数据挖掘：数据预处理相关概念

数据挖掘：数据预处理相关概念

一、什么是数据预处理？

一般我们得到的数据会存在有缺失值、重复值等，在使用之前需要进行数据预处理。它是一系列对数据操作的统称。
数据预处理没有标准的流程，通常针对不同的任务和数据集属性的不同而不同。数据预处理的常用流程为：

1. 数据清洗：可以用来清楚数据中的噪声，纠正不一致。
2. 数据集成：将数据由多个数据源合并成一个一致的数据存储，如数据仓库。
3. 数据归约：可以通过如聚集、删除冗余特征或聚类来降低数据的规模。
4. 数据变换：(例如，规范化)可以用来把数据压缩到较小的区间，如0.0到1.0。

原始数据存在的几个问题：不一致；重复；含噪声；维度高等问题。

二、数据清洗

一般数据清洗包括：

1. 缺失值
2. 异常值
3. 数据噪声
4. 数据不平衡
5. 唯一值
6. 重复值
7. 格式清洗
8. 思维逻辑

前4个在之前的文章已经提到了，接下来介绍后四个处理方法。

2.1 唯一值

如数据中id这个属性，如果每条数据都对应同一个id，那么该特征对数据的预测就没有任何意义，可删除该列数据。

但并不是所有数据的id都是无意义的。如果每个id都对应了很多的数据，则此时不应删除该id，而是对每个id中的数据进行统计分析。将一个id看做一组数据单独去分析，得到均值、中位数、标准差、峰度、偏度等描述该组分布的信息，整合为一个数据。这样每条数据才会对应一个id，进而再删除id。要根据具体的数据应用场景去判断，而不是一上来就删除数据。

2.2 重复值

重复值是无意义的数据，增加了数据量，但却没有增加数据的信息量。一般是将重复值删除。pandas里用data.drop_duplicates()函数进行删除。
链接：pandas重复值处理

2.3 格式清洗

2.3.1 数据类型

一般得到的数据杂乱无章，有的数据是数字、时间却是字符串表示，数据类型对不上。此时，应先对数据类型进行转换，否则无法进行正常运算操作。

在pandas里可用astype(数据类型)，或者to_numeric()，进行转换。
链接：pandas数据类型转换

2.3.2 时间、日期、数值、全半角等显示格式不一致

这种问题通常与输入端有关，在整合多来源数据时也有可能遇到，将其处理成一致的某种格式即可。

2.3.3 字符问题

某些内容可能只包括一部分字符，比如身份证号是数字+字母，中国人姓名是汉字（赵C这种情况还是少数）。最典型的就是头、尾、中间的空格，也可能出现姓名中存在数字符号、身份证号中出现汉字等问题。这种情况下，需要以半自动校验半人工方式来找出可能存在的问题，并去除不需要的字符。

2.3.4 思维逻辑

这个比较玄乎，先通过举例让大家感受下。比如预测电影票房。票房的数据是不能直接拿过来就用的，因为存在通货膨胀，需要对票房进行一定的换算，这样的票房才是能用的数据。也就是说，用的数据是需要符合正常逻辑性的。另外，数据单位的转换，跟业务的关联性也是需要考虑的。
说明：
总之，数据清洗方面的工作有很多……而且，如果数据处理不好，特征没有选好，那么模型再厉害，也无济于事。所以才会经常看到这样的话，在工作或者竞赛中，数据清洗，特征工程方面的工作占据了80%以上的时间。其余模型的使用，需要知道原理，进而调包搭建模型即可。

三、数据集成

数据集成是指把数据从多个数据源整合在一起，提供一个观察这些数据的统一视图的过程。建立数据仓库的过程实际上就是数据集成。

数据集成中的两个主要问题是：

1. 数据结构。如何对多个数据集进行匹配，当一个数据库的属性与另一个数据库的属性匹配时，必须注意数据的结构；
2. 数据冗余。两个数据集有两个命名不同但实际数据相同的属性，那么其中一个属性就是冗余的。

链接：数据集成

四、数据归约

数据归约是指在尽可能保持数据原貌的前提下，最大限度地精简数据量。

数据挖掘时往往数据量非常大，在少量数据上进行挖掘分析需要很长的时间，数据归约技术可以用来得到数据集的归约表示，它小得多，但仍然接近于保持原数据的完整性，并结果与归约前结果相同或几乎相同。通常有维归约、数值归约。
维归约指通过减少属性的方式压缩数据量，通过移除不相关的属性，可以提高模型效率。
常见的维归约方法有：分类树、随机森林通过对分类效果的影响大小筛选属性；小波变换、主成分分析通过把原数据变换或投影到较小的空间来降低维数。

数值归约用较小的数据表示形式替换原始数据。代表方法为对数线性回归、聚类、抽样等。

链接：数据规约详细介绍

五、数据变换

通过平滑聚集，数据概化，规范化等方式将数据转换成适用于数据挖掘的形式。比如说，对于线性回归，数据进行归一化或标准化，统一量纲后的效果要比之前要好。因为是用距离去度量的，而树模型则不用进行这种变换。

1. 光滑：去掉噪声；
2. 特征构造：由给定的属性构造出新属性并添加到数据集中。例如，通过“销售额”和“成本”构造出“利润”，只需要对相应属性数据进行简单变换即可
3. 聚集：对数据进行汇总。比如通过日销售数据，计算月和年的销售数据；
4. 规范化：把数据单按比例缩放，比如数据标准化处理；
5. 离散化：将定量数据向定性数据转化。比如一系列连续数据，可用标签进行替换（0,1）；

六、总结

之前对数据清洗，数据预处理，特征工程等概念比较混淆。通过查找不同的资料，也发现有的定义不太一样，比如特征工程包括了数据预处理，数据清洗，而数据预处理有时又包括了数据清洗和特征工程的一部分。
通过本次探究，把数据预处理归为模型预测前的所有处理过程，包括了数据清洗和特征工程。
数据清洗专门对脏数据进行清洗，而不设涉及数据的变换和特征处理。特征工程则包括了剩下的所有处理方法。
说明：
数据预处理的方法有很多，在处理数据，或者数据竞赛时，不一定都会用上。需要对数据进行探索性分析，了解数据后，根据数据本身特征和预测目标而合理选择相应的方法。
不要拘泥于用所有方法都对数据用一遍，这样不仅自己很累，也得不到想要的效果。包括后面要介绍的各种机器学习的算法，模型使用等，也都是具体问题具体分析，没有哪种处理方式就一定是最好的。总结归总结，最重要的是要自己亲自去处理。而各种方法的使用条件，也是在不断对数据进行处理，建模的过程中摸索出来的。这是数据挖掘的难点，但也是它的迷人之处。

七、参考文献

https://blog.csdn.net/yehui_qy/article/details/53791006
https://blog.csdn.net/holandstone/article/details/79034843
https://baike.baidu.com/item/%E6%95%B0%E6%8D%AE%E9%A2%84%E5%A4%84%E7%90%86/2711288?fr=aladdin