数据预处理

• 一般而言，数据分析和数据挖掘领域的处理的数据都是海量的数据，这样的数据难免会出现问题。
• 数据预处理占到数据挖掘工作的60%，这是最重要也是最核心的领域，
• 分为数据清洗、数据集成、数据变换和数据规约。

数据清洗

• 删除无关数据、重复数据、平滑噪声数据、处理缺失值和异常值。
  • 缺失值处理
    • 插补
    • 删除
      • 在数据量很少的情况下，这是利用数据为代价换取完备，是不合理的。
    • 插值模型
      • 拉格朗日插值法（scipy实现）
      • 牛顿插值法（scipy未实现）
  • 异常值处理
    • 删除
    • 视作缺失值
    • 平均值处理
    • 不处理

数据集成

• 多数据源数据仓库化。
  • 实体识别
    • 同名异义
    • 异名同义
    • 单位不统一
  • 冗余属性识别
    • 同一属性多次出现
    • 同一属性命名不一致导致重复

数据变换

• 规范化处理数据，便于使用。
  • 简单函数变换
    • 常用来将不具有正态分布的数据变换成具有正态分布的数据。
  • 规范化
    • 最小-最大规范化
    • 零-均值规范化（使用最多）
    • 小数定标规范化
  • 连续属性离散化
    • 等宽法
    • 等频法
    • 聚类
  • 属性构造
    • 推导属性
  • 小波变换
    • 新型数据分析工具

数据规约

• 降低错误数据对建模的影响，减少存储成本
  • 属性规约
  • 数值规约
    • 直方图
    • 聚类
    • 抽样
    • 参数回归

相关库函数的使用，可以查看我的博客

• 我的博客