小編給大家分享一下數(shù)據(jù)預(yù)處理的四個(gè)步驟分別是什么，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

成都創(chuàng)新互聯(lián)公司成立與2013年，是專業(yè)互聯(lián)網(wǎng)技術(shù)服務(wù)公司，擁有項(xiàng)目成都做網(wǎng)站、成都網(wǎng)站設(shè)計(jì)網(wǎng)站策劃，項(xiàng)目實(shí)施與項(xiàng)目整合能力。我們以讓每一個(gè)夢(mèng)想脫穎而出為使命，1280元潛山做網(wǎng)站,已為上家服務(wù),為潛山各地企業(yè)和個(gè)人服務(wù),聯(lián)系電話:18980820575

數(shù)據(jù)預(yù)處理的四個(gè)步驟分別是數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)變換和數(shù)據(jù)歸約；而數(shù)據(jù)的預(yù)處理是指對(duì)所收集數(shù)據(jù)進(jìn)行分類或分組前所做的審核、篩選、排序等必要的處理；數(shù)據(jù)預(yù)處理，一方面是為了提高數(shù)據(jù)的質(zhì)量，另一方面也是為了適應(yīng)所做數(shù)據(jù)分析的軟件或者方法。

數(shù)據(jù)的預(yù)處理是指對(duì)所收集數(shù)據(jù)進(jìn)行分類或分組前所做的審核、篩選、排序等必要的處理。

數(shù)據(jù)預(yù)處理一方面是為了提高數(shù)據(jù)的質(zhì)量，另一方面也是為了適應(yīng)所做數(shù)據(jù)分析的軟件或者方法。一般來(lái)說(shuō)，數(shù)據(jù)預(yù)處理步驟有：數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)變換、數(shù)據(jù)歸約，每個(gè)大步驟又有一些小的細(xì)分點(diǎn)。當(dāng)然了，這四個(gè)大步驟在做數(shù)據(jù)預(yù)處理時(shí)未必都要執(zhí)行。

一、數(shù)據(jù)清洗

數(shù)據(jù)清洗，顧名思義，“黑”的變成“白”的，“臟”的數(shù)據(jù)變成“干凈”的，臟數(shù)據(jù)表現(xiàn)在形式上和內(nèi)容上的臟。

形式上的臟，如：缺失值、帶有特殊符號(hào)的；

內(nèi)容上的臟，如：異常值。

1、缺失值

缺失值包括缺失值的識(shí)別和缺失值的處理。

在R里缺失值的識(shí)別使用函數(shù)is.na判別，函數(shù)complete.cases識(shí)別樣本數(shù)據(jù)是否完整。

缺失值處理常用的方法有：刪除、替換和插補(bǔ)。

• 刪除法 ：刪除法根據(jù)刪除的不同角度又可以分為刪除觀測(cè)樣本和變量，刪除觀測(cè)樣本（行刪除法），在R里na.omit函數(shù)可以刪除所含缺失值的行。

  這就相當(dāng)于減少樣本量來(lái)?yè)Q取信息的完整度，但當(dāng)變量有較大缺失并且對(duì)研究目標(biāo)影響不大時(shí)，可考慮刪除變量R里使用語(yǔ)句mydata[,-p]來(lái)完成。mydata表示所刪數(shù)據(jù)集的名字，p是該刪除變量的列數(shù)，-表示刪除。

• 替換法 ：替換法顧名思義對(duì)缺失值進(jìn)行替換，根據(jù)變量的不同又有不同的替換規(guī)則，缺失值的所在變量是數(shù)值型用該變量下其他數(shù)的均值來(lái)替換缺失值；變量為非數(shù)值變量時(shí)則用該變量下其他觀測(cè)值的中位數(shù)或眾數(shù)替換。

• 插補(bǔ)法 ：插補(bǔ)法分為回歸插補(bǔ)和多重插補(bǔ)。

  回歸插補(bǔ)指的是將插補(bǔ)的變量當(dāng)作因變量y，其他變量看錯(cuò)自變量，利用回歸模型進(jìn)行擬合，在R里使用lm回歸函數(shù)對(duì)缺失值進(jìn)行插補(bǔ)；

  多重插補(bǔ)是指從一個(gè)包含缺失值的數(shù)據(jù)集中生成一組完整的數(shù)據(jù)，多次進(jìn)行，產(chǎn)生缺失值的一個(gè)隨機(jī)樣本，在R里mice包可以進(jìn)行多重插補(bǔ)。

2、異常值

異常值跟缺失值一樣包括異常值的識(shí)別和異常值的處理。

• 異常值的識(shí)別通常用單變量散點(diǎn)圖或箱形圖來(lái)處理，在R里dotchart是繪制單變量散點(diǎn)圖的函數(shù)，boxplot函數(shù)繪制箱現(xiàn)圖；在圖形中，把遠(yuǎn)離正常范圍的點(diǎn)當(dāng)作異常值。

• 異常值的的處理有刪除含有異常值的觀測(cè)（直接刪除，當(dāng)樣本少時(shí)直接刪除會(huì)造成樣本量不足，改變變量的分布）、當(dāng)作缺失值（利用現(xiàn)有的信息，對(duì)其當(dāng)缺失值填補(bǔ)）、平均值修正（用前后兩個(gè)觀測(cè)值的均值修正該異常值）、不處理。在進(jìn)行異常值處理時(shí)要先復(fù)習(xí)異常值出現(xiàn)的可能原因，再判斷異常值是否應(yīng)該舍棄。

二、數(shù)據(jù)集成

所謂數(shù)據(jù)集成就是將多個(gè)數(shù)據(jù)源合并放到一個(gè)數(shù)據(jù)存儲(chǔ)中，當(dāng)然如果所分析的數(shù)據(jù)原本就在一個(gè)數(shù)據(jù)存儲(chǔ)里就不需要數(shù)據(jù)的集成了（多合一）。

數(shù)據(jù)集成的實(shí)現(xiàn)是將兩個(gè)數(shù)據(jù)框以關(guān)鍵字為依據(jù)，在R里用merge函數(shù)實(shí)現(xiàn)，語(yǔ)句為merge（dataframe1, dataframe2,by=”關(guān)鍵字“”），默認(rèn)按升序排列。

在進(jìn)行數(shù)據(jù)集成時(shí)可能會(huì)出現(xiàn)如下問(wèn)題：

1. 同名異義，數(shù)據(jù)源A中某屬性名字和數(shù)據(jù)源B中某屬性名字相同，但所表示的實(shí)體不一樣，不能作為關(guān)鍵字；

2. 異名同義，即兩個(gè)數(shù)據(jù)源某個(gè)屬性名字不一樣但所代表的實(shí)體一樣，可作為關(guān)鍵字；

3. 數(shù)據(jù)集成往往造成數(shù)據(jù)冗余，可能是同一屬性多次出現(xiàn)，也可能是屬性名字不一致導(dǎo)致的重復(fù)，對(duì)于重復(fù)屬性一個(gè)先做相關(guān)分析檢測(cè)，如果有再將其刪除。

三、數(shù)據(jù)變換

數(shù)據(jù)變換就是轉(zhuǎn)化成適當(dāng)?shù)男问?，?lái)滿足軟件或分析理論的需要。

1、簡(jiǎn)單函數(shù)變換

簡(jiǎn)單函數(shù)變換用來(lái)將不具有正態(tài)分布的數(shù)據(jù)變成有正態(tài)分布的數(shù)據(jù)，常用的有平方、開(kāi)方、取對(duì)數(shù)、差分等。如在時(shí)間序列里常對(duì)數(shù)據(jù)對(duì)數(shù)或差分運(yùn)算，將非平穩(wěn)序列轉(zhuǎn)化成平穩(wěn)序列。

2、規(guī)范化

規(guī)范化就是剔除掉變量量綱上的影響，比如：直接比較身高和體重的差異，單位的不同和取值范圍的不同讓這件事不能直接比較。

• 最小-最大規(guī)范化：也叫離差標(biāo)準(zhǔn)化，對(duì)數(shù)據(jù)進(jìn)行線性變換，將其范圍變成[0,1]

• 零-均值規(guī)范化：也叫標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化，處理后的數(shù)據(jù)均值等于0，標(biāo)準(zhǔn)差為1

• 小數(shù)定標(biāo)規(guī)范化：移動(dòng)屬性值的小數(shù)位數(shù)，將屬性值映射到[-1,1]

3、連續(xù)屬性離散化

將連續(xù)屬性變量轉(zhuǎn)化成分類屬性，就是連續(xù)屬性離散化，特別是某些分類算法要求數(shù)據(jù)是分類屬性，如：ID3算法。

常用的離散化方法有如下幾種：

1. 等寬法：將屬性的值域分成具有相同寬度的區(qū)間，類似制作頻率分布表；

2. 等頻法：將相同的記錄放到每個(gè)區(qū)間；

3. 一維聚類：兩個(gè)步驟，首先將連續(xù)屬性的值用聚類算法，然后將聚類得到的集合合并到一個(gè)連續(xù)性值并做同一標(biāo)記。

四、數(shù)據(jù)歸約

數(shù)據(jù)歸約是指在對(duì)挖掘任務(wù)和數(shù)據(jù)本身內(nèi)容理解的基礎(chǔ)上、尋找依賴于發(fā)現(xiàn)目標(biāo)的數(shù)據(jù)的有用特征，以縮減數(shù)據(jù)規(guī)模，從而在盡可能保持?jǐn)?shù)據(jù)原貌的前提下，最大限度地精簡(jiǎn)數(shù)據(jù)量。

數(shù)據(jù)規(guī)歸能夠降低無(wú)效錯(cuò)誤的數(shù)據(jù)對(duì)建模的影響、縮減時(shí)間、降低存儲(chǔ)數(shù)據(jù)的空間。

1、屬性歸約

屬性歸約是尋找最小的屬性子集并確定子集概率分布接近原來(lái)數(shù)據(jù)的概率分布。

1. 合并屬性：將一些舊的屬性合并一個(gè)新的屬性；

2. 逐步向前選擇：從一個(gè)空屬性集開(kāi)始，每次在原來(lái)屬性集合選一個(gè)當(dāng)前最優(yōu)屬性添加到當(dāng)前子集中，一直到無(wú)法選擇最優(yōu)屬性或滿足一個(gè)約束值為止；

3. 逐步先后選擇：從一個(gè)空屬性集開(kāi)始，每次在原來(lái)屬性集合選一個(gè)當(dāng)前最差屬性并剔除當(dāng)前子集中，一直到無(wú)法選擇最差屬性或滿足一個(gè)約束值為止；

4. 決策樹(shù)歸納：沒(méi)有出現(xiàn)在這個(gè)決策樹(shù)上的屬性從初始集合中刪除，獲得一個(gè)較優(yōu)的屬性子集；

5. 主成份分析：用較少的變量去解釋原始數(shù)據(jù)中大部分變量（用相關(guān)性高的變量轉(zhuǎn)化成彼此相互獨(dú)立或不相關(guān)的變量）。

2、數(shù)值歸約

通過(guò)減少數(shù)據(jù)量，包括有參數(shù)和無(wú)參數(shù)方法，有參數(shù)如線性回歸和多元回歸，無(wú)參數(shù)法如直方圖、抽樣等。

以上是“數(shù)據(jù)預(yù)處理的四個(gè)步驟分別是什么”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對(duì)大家有所幫助，如果還想學(xué)習(xí)更多知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！