数据清理的方法:
针对空缺值:保持空缺或者用最有可能的值补充
(
平均值,回归预测的值等等
)
针对噪声数据:
1
分箱:用箱中数据的平均值代替箱中的每一个数据。分箱也是一种数据平滑技术和数据离散化技术
2
聚类:通过聚类来检测孤立点
(outlier)
3
计算机和人工检查结合:
4
回归:
针对不一致数据:修改
数据集成:
1
实体:即识别真实世界中的实体的问题,比如
customer_id
和另一张表中的
cust_number
实际上是同一实体。可通过查看元数据来查清。
2
冗余:通过对两个属性进行相关分析来检测,度量属性
A
在多大程度上能够蕴含属性
B
。若
rA
,
B
为
0
,说明属性
A
与属性
B
相关性为
0
。
数据变换:
平滑
(smoothing)
:可使用的技术包括分箱,聚类和回归
聚集
(aggregation)
:
数据概化
(generalization)
:用高层次概念替换低层次概念,如用
city
替换
street
规范化
(normalization)
:将数据按比例缩放,使之落入一个特定区间,如
[-1,1].
最小最大规范化
(Min-max normalization)
:
z-score
规范化
(z-score normalization)
:
属性构造
(attribute construction)
:
数据归约
data reduction
1
数据立方体聚集:汇总数据
2
维归约:删掉不相关,弱相关,或者冗余的维度
3
数据归约:小波变换,主成分分析
4
数值归约:
4.1
有参方法:使用一个模型来评估数据,只存放参数。
模型可以是:回归分析,对数线性模型
4.2
无参方法:直方图,聚类,选择
(
选择有代表性的数据,类似统计的抽样调查
)
5
离散化和概念分层:将连续属性值进行离散化。
5.1
分箱
5.2
直方图
5.3
聚类
5.4
基于熵的离散化
5.5
自然划分分段:
3-4-5
规则