大數(shù)據(jù)預(yù)處理的方法6(數(shù)據(jù)預(yù)處理的主要方法)

1.數(shù)據(jù)預(yù)處理的主要方法有哪些

1.墓于粗糙集（ Rough Set）理論的約簡方法

粗糙集理論是一種研究不精確、不確定性知識的數(shù)學(xué)工具。目前受到了KDD的廣泛重視，利用粗糙集理論對數(shù)據(jù)進行處理是一種十分有效的精簡數(shù)據(jù)維數(shù)的方法。我們所處理的數(shù)據(jù)一般存在信息的含糊性（Vagueness）問題。含糊性有三種：術(shù)語的模糊性，如高矮；數(shù)據(jù)的不確定性，如噪聲引起的；知識自身的不確定性，如規(guī)則的前后件間的依賴關(guān)系并不是完全可靠的。在KDD中，對不確定數(shù)據(jù)和噪聲干擾的處理是粗糙集方法的

2.基于概念樹的數(shù)據(jù)濃縮方法

在數(shù)據(jù)庫中，許多屬性都是可以進行數(shù)據(jù)歸類，各屬性值和概念依據(jù)抽象程度不同可以構(gòu)成一個層次結(jié)構(gòu)，概念的這種層次結(jié)構(gòu)通常稱為概念樹。概念樹一般由領(lǐng)域?qū)＜姨峁?，它將各個層次的概念按一般到特殊的順序排列。

3.信息論思想和普化知識發(fā)現(xiàn)

特征知識和分類知識是普化知識的兩種主要形式，其算法基本上可以分為兩類：數(shù)據(jù)立方方法和面向?qū)傩詺w納方法。

普通的基于面向?qū)傩詺w納方法在歸納屬性的選擇上有一定的盲目性，在歸納過程中，當(dāng)供選擇的可歸納屬性有多個時，通常是隨機選取一個進行歸納。事實上，不同的屬性歸納次序獲得的結(jié)果知識可能是不同的，根據(jù)信息論最大墑的概念，應(yīng)該選用一個信息丟失最小的歸納次序。

4.基于統(tǒng)計分析的屬性選取方法

我們可以采用統(tǒng)計分析中的一些算法來進行特征屬性的選取，比如主成分分析、逐步回歸分析、公共因素模型分析等。這些方法的共同特征是，用少量的特征元組去描述高維的原始知識基。

5.遺傳算法〔GA, Genetic Algo}thrn})

遺傳算法是一種基于生物進化論和分子遺傳學(xué)的全局隨機搜索算法。遺傳算法的基本思想是：將問題的可能解按某種形式進行編碼，形成染色體。隨機選取N個染色體構(gòu)成初始種群。再根據(jù)預(yù)定的評價函數(shù)對每個染色體計算適應(yīng)值。選擇適應(yīng)值高的染色體進行復(fù)制，通過遺傳運算（選擇、交叉、變異）來產(chǎn)生一群新的更適應(yīng)環(huán)境的染色體，形成新的種群。這樣一代一代不斷繁殖進化，最后收斂到一個最適合環(huán)境的個體上，從而求得問題的最優(yōu)解。遺傳算法應(yīng)用的關(guān)鍵是適應(yīng)度函數(shù)的建立和染色體的描述。在實際應(yīng)用中，通常將它和神經(jīng)網(wǎng)絡(luò)方法綜合使用。通過遺傳算法來搜尋出更重要的變量組合。

2.數(shù)據(jù)的預(yù)處理包括哪些內(nèi)容

數(shù)據(jù)預(yù)處理（datapreprocessing）是指在主要的處理以前對數(shù)據(jù)進行的一些處理。如對大部分地球物理面積性觀測數(shù)據(jù)在進行轉(zhuǎn)換或增強處理之前，首先將不規(guī)則分布的測網(wǎng)經(jīng)過插值轉(zhuǎn)換為規(guī)則網(wǎng)的處理，以利于計算機的運算。另外，對于一些剖面測量數(shù)據(jù)，如地震資料預(yù)處理有垂直疊加、重排、加道頭、編輯、重新取樣、多路編輯等。

數(shù)據(jù)預(yù)處理的方法：

1、數(shù)據(jù)清理

數(shù)據(jù)清理例程通過填寫缺失的值、光滑噪聲數(shù)據(jù)、識別或刪除離群點并解決不一致性來“清理”數(shù)據(jù)。主要是達到如下目標(biāo)：格式標(biāo)準(zhǔn)化，異常數(shù)據(jù)清除，錯誤糾正，重復(fù)數(shù)據(jù)的清除。

2、數(shù)據(jù)集成

數(shù)據(jù)集成例程將多個數(shù)據(jù)源中的數(shù)據(jù)結(jié)合起來并 統(tǒng)一存儲，建立數(shù)據(jù)倉庫的過程實際上就是數(shù)據(jù)集成。

3、數(shù)據(jù)變換

通過平滑聚集，數(shù)據(jù)概化，規(guī)范化等方式將數(shù)據(jù)轉(zhuǎn)換成適用于數(shù)據(jù)挖掘的形式。

4、數(shù)據(jù)歸約

數(shù)據(jù)挖掘時往往數(shù)據(jù)量非常大，在少量數(shù)據(jù)上進行挖掘分析需要很長的時間，數(shù)據(jù)歸約技術(shù)可以用來得到數(shù)據(jù)集的歸約表示，它小得多，但仍然接近于保持原數(shù)據(jù)的完整性，并結(jié)果與歸約前結(jié)果相同或幾乎相同。

3.大數(shù)據(jù)預(yù)處理技術(shù)都有哪些

1）數(shù)據(jù)清理

數(shù)據(jù)清理例程就是通過填寫缺失值、光滑噪聲數(shù)據(jù)、識別或者刪除離群點，并且解決不一致性來進行“清理數(shù)據(jù)”。

2）數(shù)據(jù)集成

數(shù)據(jù)集成過程將來自多個數(shù)據(jù)源的數(shù)據(jù)集成到一起。

3）數(shù)據(jù)規(guī)約

數(shù)據(jù)規(guī)約是為了得到數(shù)據(jù)集的簡化表示。數(shù)據(jù)規(guī)約包括維規(guī)約和數(shù)值規(guī)約。

4）數(shù)據(jù)變換

通過變換使用規(guī)范化、數(shù)據(jù)離散化和概念分層等方法，使得數(shù)據(jù)的挖掘可以在多個抽象層面上進行。數(shù)據(jù)變換操作是提升數(shù)據(jù)挖掘效果的附加預(yù)處理過程。

4.數(shù)據(jù)的預(yù)處理包括哪些內(nèi)容

數(shù)據(jù)預(yù)處理（datapreprocessing）是指在主要的處理以前對數(shù)據(jù)進行的一些處理。

如對大部分地球物理面積性觀測數(shù)據(jù)在進行轉(zhuǎn)換或增強處理之前，首先將不規(guī)則分布的測網(wǎng)經(jīng)過插值轉(zhuǎn)換為規(guī)則網(wǎng)的處理，以利于計算機的運算。另外，對于一些剖面測量數(shù)據(jù)，如地震資料預(yù)處理有垂直疊加、重排、加道頭、編輯、重新取樣、多路編輯等。

數(shù)據(jù)預(yù)處理的方法：1、數(shù)據(jù)清理數(shù)據(jù)清理例程通過填寫缺失的值、光滑噪聲數(shù)據(jù)、識別或刪除離群點并解決不一致性來“清理”數(shù)據(jù)。主要是達到如下目標(biāo)：格式標(biāo)準(zhǔn)化，異常數(shù)據(jù)清除，錯誤糾正，重復(fù)數(shù)據(jù)的清除。

2、數(shù)據(jù)集成數(shù)據(jù)集成例程將多個數(shù)據(jù)源中的數(shù)據(jù)結(jié)合起來并 統(tǒng)一存儲，建立數(shù)據(jù)倉庫的過程實際上就是數(shù)據(jù)集成。3、數(shù)據(jù)變換通過平滑聚集，數(shù)據(jù)概化，規(guī)范化等方式將數(shù)據(jù)轉(zhuǎn)換成適用于數(shù)據(jù)挖掘的形式。

4、數(shù)據(jù)歸約數(shù)據(jù)挖掘時往往數(shù)據(jù)量非常大，在少量數(shù)據(jù)上進行挖掘分析需要很長的時間，數(shù)據(jù)歸約技術(shù)可以用來得到數(shù)據(jù)集的歸約表示，它小得多，但仍然接近于保持原數(shù)據(jù)的完整性，并結(jié)果與歸約前結(jié)果相同或幾乎相同。

5.數(shù)據(jù)挖掘中的數(shù)據(jù)預(yù)處理技術(shù)有哪些,它們分別適用于哪些場合

一、數(shù)據(jù)挖掘工具分類數(shù)據(jù)挖掘工具根據(jù)其適用的范圍分為兩類：專用挖掘工具和通用挖掘工具。

專用數(shù)據(jù)挖掘工具是針對某個特定領(lǐng)域的問題提供解決方案，在涉及算法的時候充分考慮了數(shù)據(jù)、需求的特殊性，并作了優(yōu)化。對任何領(lǐng)域，都可以開發(fā)特定的數(shù)據(jù)挖掘工具。

例如，IBM公司的AdvancedScout系統(tǒng)針對NBA的數(shù)據(jù)，幫助教練優(yōu)化戰(zhàn)術(shù)組合。特定領(lǐng)域的數(shù)據(jù)挖掘工具針對性比較強，只能用于一種應(yīng)用；也正因為針對性強，往往采用特殊的算法，可以處理特殊的數(shù)據(jù)，實現(xiàn)特殊的目的，發(fā)現(xiàn)的知識可靠度也比較高。

通用數(shù)據(jù)挖掘工具不區(qū)分具體數(shù)據(jù)的含義，采用通用的挖掘算法，處理常見的數(shù)據(jù)類型。通用的數(shù)據(jù)挖掘工具不區(qū)分具體數(shù)據(jù)的含義，采用通用的挖掘算法，處理常見的數(shù)據(jù)類型。

例如，IBM公司Almaden研究中心開發(fā)的QUEST系統(tǒng)，SGI公司開發(fā)的MineSet系統(tǒng)，加拿大SimonFraser大學(xué)開發(fā)的DBMiner系統(tǒng)。通用的數(shù)據(jù)挖掘工具可以做多種模式的挖掘，挖掘什么、用什么來挖掘都由用戶根據(jù)自己的應(yīng)用來選擇。

二、數(shù)據(jù)挖掘工具選擇需要考慮的問題數(shù)據(jù)挖掘是一個過程，只有將數(shù)據(jù)挖掘工具提供的技術(shù)和實施經(jīng)驗與企業(yè)的業(yè)務(wù)邏輯和需求緊密結(jié)合，并在實施的過程中不斷的磨合，才能取得成功，因此我們在選擇數(shù)據(jù)挖掘工具的時候，要全面考慮多方面的因素，主要包括以下幾點：（1）可產(chǎn)生的模式種類的數(shù)量：分類，聚類，關(guān)聯(lián)等（2）解決復(fù)雜問題的能力（3）操作性能（4）數(shù)據(jù)存取能力（5）和其他產(chǎn)品的接口三、數(shù)據(jù)挖掘工具介紹：1.QUESTQUEST是IBM公司Almaden研究中心開發(fā)的一個多任務(wù)數(shù)據(jù)挖掘系統(tǒng)，目的是為新一代決策支持系統(tǒng)的應(yīng)用開發(fā)提供高效的數(shù)據(jù)開采基本構(gòu)件。系統(tǒng)具有如下特點：提供了專門在大型數(shù)據(jù)庫上進行各種開采的功能：關(guān)聯(lián)規(guī)則發(fā)現(xiàn)、序列模式發(fā)現(xiàn)、時間序列聚類、決策樹分類、遞增式主動開采等。

各種開采算法具有近似線性計算復(fù)雜度，可適用于任意大小的數(shù)據(jù)庫。算法具有找全性，即能將所有滿足指定類型的模式全部尋找出來。

為各種發(fā)現(xiàn)功能設(shè)計了相應(yīng)的并行算法。2.MineSetMineSet是由SGI公司和美國Standford大學(xué)聯(lián)合開發(fā)的多任務(wù)數(shù)據(jù)挖掘系統(tǒng)。

MineSet集成多種數(shù)據(jù)挖掘算法和可視化工具，幫助用戶直觀地、實時地發(fā)掘、理解大量數(shù)據(jù)背后的知識。MineSet有如下特點：MineSet以先進的可視化顯示方法聞名于世。

支持多種關(guān)系數(shù)據(jù)庫?？梢灾苯訌腛racle、Informix、Sybase的表讀取數(shù)據(jù)，也可以通過SQL命令執(zhí)行查詢。

多種數(shù)據(jù)轉(zhuǎn)換功能。在進行挖掘前，MineSet可以去除不必要的數(shù)據(jù)項，統(tǒng)計、集合、分組數(shù)據(jù)，轉(zhuǎn)換數(shù)據(jù)類型，構(gòu)造表達式由已有數(shù)據(jù)項生成新的數(shù)據(jù)項，對數(shù)據(jù)采樣等。

操作簡單、支持國際字符、可以直接發(fā)布到Web。3.DBMinerDBMiner是加拿大SimonFraser大學(xué)開發(fā)的一個多任務(wù)數(shù)據(jù)挖掘系統(tǒng)，它的前身是DBLearn。

該系統(tǒng)設(shè)計的目的是把關(guān)系數(shù)據(jù)庫和數(shù)據(jù)開采集成在一起，以面向?qū)傩缘亩嗉壐拍顬榛A(chǔ)發(fā)現(xiàn)各種知識。DBMiner系統(tǒng)具有如下特色：能完成多種知識的發(fā)現(xiàn)：泛化規(guī)則、特性規(guī)則、關(guān)聯(lián)規(guī)則、分類規(guī)則、演化知識、偏離知識等。

綜合了多種數(shù)據(jù)開采技術(shù)：面向?qū)傩缘臍w納、統(tǒng)計分析、逐級深化發(fā)現(xiàn)多級規(guī)則、元規(guī)則引導(dǎo)發(fā)現(xiàn)等方法。提出了一種交互式的類SQL語言——數(shù)據(jù)開采查詢語言DMQL。

能與關(guān)系數(shù)據(jù)庫平滑集成。實現(xiàn)了基于客戶/服務(wù)器體系結(jié)構(gòu)的Unix和PC(Windows/NT)版本的系統(tǒng)。

4.IntelligentMiner由美國IBM公司開發(fā)的數(shù)據(jù)挖掘軟件IntelligentMiner是一種分別面向數(shù)據(jù)庫和文本信息進行數(shù)據(jù)挖掘的軟件系列，它包括和?？梢酝诰虬跀?shù)據(jù)庫、數(shù)據(jù)倉庫和數(shù)據(jù)中心中的隱含信息，幫助用戶利用傳統(tǒng)數(shù)據(jù)庫或普通文件中的結(jié)構(gòu)化數(shù)據(jù)進行數(shù)據(jù)挖掘。

它已經(jīng)成功應(yīng)用于市場分析、詐騙行為監(jiān)測及客戶聯(lián)系管理等；允許企業(yè)從文本信息進行數(shù)據(jù)挖掘，文本數(shù)據(jù)源可以是文本文件、Web頁面、電子郵件、LotusNotes數(shù)據(jù)庫等等。5.SASEnterpriseMiner這是一種在我國的企業(yè)中得到采用的數(shù)據(jù)挖掘工具，比較典型的包括上海寶鋼配礦系統(tǒng)應(yīng)用和鐵路部門在春運客運研究中的應(yīng)用。

SASEnterpriseMiner是一種通用的數(shù)據(jù)挖掘工具，按照"抽樣--探索--轉(zhuǎn)換--建模--評估"的方法進行數(shù)據(jù)挖掘?？梢耘cSAS數(shù)據(jù)倉庫和OLAP集成，實現(xiàn)從提出數(shù)據(jù)、抓住數(shù)據(jù)到得到解答的"端到端"知識發(fā)現(xiàn)。

6.是一個開放式數(shù)據(jù)挖掘工具，曾兩次獲得英國政府SMART創(chuàng)新獎，它不但支持整個數(shù)據(jù)挖掘流程，從數(shù)據(jù)獲取、轉(zhuǎn)化、建模、評估到最終部署的全部過程，還支持?jǐn)?shù)據(jù)挖掘的行業(yè)標(biāo)準(zhǔn)--CRISP-DM。Clementine的可視化數(shù)據(jù)挖掘使得"思路"分析成為可能，即將集中精力在要解決的問題本身，而不是局限于完成一些技術(shù)性工作（比如編寫代碼）。

提供了多種圖形化技術(shù)，有助理解數(shù)據(jù)間的關(guān)鍵性聯(lián)系，指導(dǎo)用戶以最便捷的途徑找到問題的最終解決法。7.數(shù)據(jù)庫廠商集成的挖掘工具SQLServer2000包含由Microsoft研究院開發(fā)的兩種數(shù)據(jù)挖掘算法：。

6.數(shù)據(jù)預(yù)處理在什么情況下采取哪種方法最合適

在數(shù)據(jù)分析之前，我們通常需要先將數(shù)據(jù)標(biāo)準(zhǔn)化（normalization），利用標(biāo)準(zhǔn)化后的數(shù)據(jù)進行數(shù)據(jù)分析。數(shù)據(jù)標(biāo)準(zhǔn)化也就是統(tǒng)計數(shù)據(jù)的指數(shù)化。數(shù)據(jù)標(biāo)準(zhǔn)化處理主要包括數(shù)據(jù)同趨化處理和無量綱化處理兩個方面。

數(shù)據(jù)同趨化處理主要解決不同性質(zhì)數(shù)據(jù)問題，對不同性質(zhì)指標(biāo)直接加總不能正確反映不同作用力的綜合結(jié)果，須先考慮改變逆指標(biāo)數(shù)據(jù)性質(zhì)，使所有指標(biāo)對測評方案的作用力同趨化，再加總才能得出正確結(jié)果。

數(shù)據(jù)無量綱化處理主要解決數(shù)據(jù)的可比性。去除數(shù)據(jù)的單位限制，將其轉(zhuǎn)化為無量綱的純數(shù)值，便于不同單位或量級的指標(biāo)能夠進行比較和加權(quán)。

數(shù)據(jù)標(biāo)準(zhǔn)化的方法有很多種，常用的有“最小—最大標(biāo)準(zhǔn)化”、“Z-score標(biāo)準(zhǔn)化”和“按小數(shù)定標(biāo)標(biāo)準(zhǔn)化”等。經(jīng)過上述標(biāo)準(zhǔn)化處理，原始數(shù)據(jù)均轉(zhuǎn)換為無量綱化指標(biāo)測評值，即各指標(biāo)值都處于同一個數(shù)量級別上，可以進行綜合測評分析。

一、Min-max 標(biāo)準(zhǔn)化

min-max標(biāo)準(zhǔn)化方法是對原始數(shù)據(jù)進行線性變換。設(shè)minA和maxA分別為屬性A的最小值和最大值，將A的一個原始值x通過min-max標(biāo)準(zhǔn)化映射成在區(qū)間[0,1]中的值x'，其公式為：

新數(shù)據(jù)=（原數(shù)據(jù)-極小值）/（極大值-極小值）

二、z-score 標(biāo)準(zhǔn)化

這種方法基于原始數(shù)據(jù)的均值（mean）和標(biāo)準(zhǔn)差（standard deviation）進行數(shù)據(jù)的標(biāo)準(zhǔn)化。將A的原始值x使用z-score標(biāo)準(zhǔn)化到x'。

z-score標(biāo)準(zhǔn)化方法適用于屬性A的最大值和最小值未知的情況，或有超出取值范圍的離群數(shù)據(jù)的情況。

新數(shù)據(jù)=（原數(shù)據(jù)-均值）/標(biāo)準(zhǔn)差

spss默認(rèn)的標(biāo)準(zhǔn)化方法就是z-score標(biāo)準(zhǔn)化。

用Excel進行z-score標(biāo)準(zhǔn)化的方法：在Excel中沒有現(xiàn)成的函數(shù)，需要自己分步計算，其實標(biāo)準(zhǔn)化的公式很簡單。

步驟如下：

1.求出各變量（指標(biāo)）的算術(shù)平均值（數(shù)學(xué)期望）xi和標(biāo)準(zhǔn)差si ;

2.進行標(biāo)準(zhǔn)化處理：

zij=(xij-xi)/si

其中：zij為標(biāo)準(zhǔn)化后的變量值；xij為實際變量值。

3.將逆指標(biāo)前的正負(fù)號對調(diào)。

標(biāo)準(zhǔn)化后的變量值圍繞0上下波動，大于0說明高于平均水平，小于0說明低于平均水平。

三、Decimal scaling小數(shù)定標(biāo)標(biāo)準(zhǔn)化

這種方法通過移動數(shù)據(jù)的小數(shù)點位置來進行標(biāo)準(zhǔn)化。小數(shù)點移動多少位取決于屬性A的取值中的最大絕對值。將屬性A的原始值x使用decimal scaling標(biāo)準(zhǔn)化到x'的計算方法是：

x'=x/(10*j)

其中，j是滿足條件的最小整數(shù)。

例如 假定A的值由-986到917,A的最大絕對值為986，為使用小數(shù)定標(biāo)標(biāo)準(zhǔn)化，我們用1000（即，j=3）除以每個值，這樣，-986被規(guī)范化為-0.986。

注意，標(biāo)準(zhǔn)化會對原始數(shù)據(jù)做出改變，因此需要保存所使用的標(biāo)準(zhǔn)化方法的參數(shù)，以便對后續(xù)的數(shù)據(jù)進行統(tǒng)一的標(biāo)準(zhǔn)化。

除了上面提到的數(shù)據(jù)標(biāo)準(zhǔn)化外還有對數(shù)Logistic模式、模糊量化模式等等：

對數(shù)Logistic模式：新數(shù)據(jù)=1/(1+e^（-原數(shù)據(jù)））

模糊量化模式：新數(shù)據(jù)=1/2+1/2sin[派3.1415/（極大值-極小值）*（X-（極大值-極小值）/2) ] X為原數(shù)據(jù)