商务智能系列文章目录

【商务智能】数据预处理

前言

在进行数据分析之前 , 先要对数据进行预处理操作 , 本篇博客简要介绍常用的数据预处理方法 ;

一、数据预处理主要任务

数据预处理主要任务 :

① 数据离散化 : 分箱离散化 , 基于熵的离散化 , ChiMerge 离散化 ;

② 数据规范化 : 又称数据标准化 , 统一 样本数据的 取值范围 , 避免在数据分析过程中 , 因为属性取值范围不同 , 在数据分析过程中导致分析结果出现误差 ; 如 : 时间属性的数值 , 有用秒作为单位的 , 有用小时作为单位的 , 必须统一成同一个时间单位 ;

③ 数据清洗 : 识别 和 处理 数据缺失 , 噪音数据 , 数据不一致 等情况 ; 如 : 某样本某属性数据缺失 , 将 同类样本的该属性的平均值 赋值给该缺失属性的样本 ;

④ 特征提取与特征选择 : 面向分类的特征选择方法 , 有效的特征选择 , 既可以 降低数据量 , 又能 提高分类模型的构建效率 , 还能 提高分类准确率 ;

二、数据规范方法

1、z-score 规范化

z-score : 也称为 标准分 ; z-score 值为 $z=\frac{x-\mu }{\sigma }$ ;

其中 $x$ 是本次要规范的属性值 , $\mu$ 是均值 , $\sigma$ 是标准差 , 该公式的含义是 计算当前属性值 $x$ 偏离均值 $\mu$ 的距离是多少个标准差 $\sigma$ ;

z-score 规范化 又称为 零均值规范化 ( Zero-Mean Normalization ) , 给定属性 $A$ , 均值为 $\mu$ , 标准差为 $\sigma$ , 属性 $A$ 的取值 $x$ 规范后的值 $z=\frac{x-\mu }{\sigma }$ ;

年收入平均值 $82$ 万 , 标准差 $39$ , 年收入 $60$ 万使用 z-score 规范化后的值为 :

$$z=\frac{60-82}{39}=0.564$$

2、最小-最大规范化

样本属性原来取值范围 $[l,r]$ , 现在需要将样本属性映射到 $[L,R]$ 区间内 , 根据等比例映射原理 , 属性值 $x$ 映射到新区间后的值计算方法如下 :

$$v=\frac{x-l}{r-l}(R-L)+L$$

某样本属性为年收入 , 取值范围 $[10,100]$ , 将其映射到 $[0,1]$ 区间内 , 则 $20$ 映射到新区间后的值为 :

$$v=\frac{20-10}{100-10}(1-0)+0=0.1111$$

三、数据离散方法

1、分箱离散化

分箱离散化 分为 等距离分箱 , 等频率分箱 ;

等距离分箱 : 又称为 等宽度分箱 , 将属性的每个取值映射到等大小区间的方法 ;

如 : 学生考试分数 , $0$ ~ $100$ 分 , 以 $10$ 分为一档 , 分为 $10$ 档 ,

$15$ 分处于 $11$ ~ $20$ 档 ,
$52$ 分处于 $51$ ~ $60$ 档 ;

等距离分箱 , 可能导致某些取值多 , 某些取值少 , 如 $71$ ~ $80$ 这一档很多 , $01$ ~ $10$ 这一档几乎没有 ;

等频率分箱 : 又称为 等深度分箱 , 将每个取值映射到一个区间 , 每个区间包含的取值个数相同 ;

2、基于熵的离散化

分箱离散化 是 无监督 离散化方法 , 基于熵的离散化 是 有监督 离散化方法 ;

给定数据集 $D$ 及其分类属性 , 类别集合为 $C=\{c_1,c_2,\cdots ,c_k\}$ , 数据集 $D$ 的信息熵 $\mathrm{e}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{p}\mathrm{y}(\mathrm{D})$ 计算公式如下 :

$$\mathrm{e}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{p}\mathrm{y}(\mathrm{D})=-\sum _{\mathrm{i}=1}^{\mathrm{k}}\mathrm{p}({\mathrm{c}}_{\mathrm{i}})\mathrm{l}\mathrm{o}{\mathrm{g}}_2\mathrm{p}({\mathrm{c}}_{\mathrm{i}})$$

$p(c_i)$ 的值是 $\frac{\mathrm{c}\mathrm{o}\mathrm{u}\mathrm{n}\mathrm{t}({\mathrm{c}}_{\mathrm{i}})}{|\mathrm{D}|}$ , $\mathrm{c}\mathrm{o}\mathrm{u}\mathrm{n}\mathrm{t}({\mathrm{c}}_{\mathrm{i}})$ 是指 $c_i$ 在数据集 $D$ 中出现的次数 , $|D|$ 表示数据样本个数 ;

信息熵 $\mathrm{e}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{p}\mathrm{y}(\mathrm{D})$ 取值越小 , 类别分步越纯 ;

属性 信息熵 计算参考 【数据挖掘】决策树中根据 信息增益 确定划分属性 ( 信息与熵 | 总熵计算公式 | 每个属性的熵计算公式 | 信息增益计算公式 | 划分属性确定 ) 博客 ;

总结

本博客主要讲解数据预处理需要进行的操作 , 数据规范化 , 数据离散化 , 数据清洗 , 特征提取与特征选择 ;

数据规范化涉及 最小-最大规范化 和 z-score 规范化 ;

数据离散化涉及 分箱离散化 和 基于熵的离散化 , 分箱离散化分为 等距离分箱 和 等频率分箱 ;

文章来源: hanshuliang.blog.csdn.net，作者：韩曙亮，版权归原作者所有，如需转载，请联系作者。

原文链接：hanshuliang.blog.csdn.net/article/details/117654500