为什么要进行数据预处理？

只有当数据的质量好才能保证数据分析的结果好。然后实际系统中的原始数据会因为很多原因出现数据错误，数据缺失，不一致等情况，所以需要对原始数据进行预处理，包括数据清洗，数据集成，数据归约，数据转换。

一、数据清洗

目的：填充或删除缺失值，降低噪声与识别离群点。
数据清洗的第一步偏差检测（数据的不一致性，字段过载），第二步纠正偏差
1.缺失值处理
（1）直接删除缺失属性的记录。
（2）人工填写缺失值。
（3）使用全局常量填写缺失值
（4）使用属性的中心趋势度量值填写缺失值（中位数或均值）
（5）使用与给定元组属于同一类的所有样本的属性均值或中位数填充
（6）使用最可能的值填充，用算法来预测。
2.识别离群点和平滑噪声数据
（1）分箱法：通过考察“邻居”（周围的值）来平滑存储数据的值，分箱的主要目的是去噪，将连续数据离散化，增加粒度。箱的深度表示不同的箱里数据的个数，箱的宽度表示每个箱值得取值区间。
常用的分箱法如下：
等宽分箱：将变量得取值范围分为k个等宽的区间，每个区间当成一个分箱。
等频（深）分箱：将观测值从小到大排列，根据观测的个数等分为k部分，每个部分当成一个分箱。
当分完箱之后，可以使用箱均值平滑，箱中位数平滑或箱边界平滑的方法来平滑噪声。
箱均值平滑：箱中的每一个值都被箱的平均值替换。
箱中位数平滑：箱中的每一个值都被箱的中位数提花。
箱边界平滑：箱中的最大值和最小值作为箱边界，箱中的每一个值都被最近的边界值替换。
如果数据倾斜分布，等宽分箱的每一个箱子个数差别会很大。所以等宽分箱不好处理倾斜数据。
一个实例如下：
一组观测值：8，9，30，24，10，15，24，7，28。
从小到大排序：7，8，9，10，15，24，24，28，30。
采用等深（等频）分箱将该组分为3箱：
箱1（7，8，9），箱2（10，15，24），箱3（24，28，30）
采用箱均值平滑：箱1：（8，8，8）
采用箱中值平滑：箱2：（15，15，15）
采用箱边界平滑：箱3：（24，24，30）
2.回归
用一个函数拟合数据来光滑数据，这种技术称为回归。
3.离群点分析
在样本空间中，与其他样本点的一般行为或特征不一致的点称为离群点。使用聚类方法来检测离群点。相似点聚成簇，在簇外的点视为离群点。

二、数据集成

将多个数据源中的数据结合起来存放在一个一致的数据存储中。
1.异常数据：
2.冗余数据：冗余属性可以通过相关分析进行检测
3.重复数据

三、数据规约

得到数据集的简化版本，但同时又不会影响数据分析的结果。
包括维归约，数量归约，数据压缩。
维归约：减小样本空间中所包含的属性个数，其方法包括小波变换，主成分分析，属性选择。前两种把原数据变换或投影到维数较小的样本空间。而后者是通过相关性分析方法，检测样本空间中不相关，弱相关或冗余的属性或维度，然后删除。
数量规约：用替代的，较小的数据集表示形式替换原始数据集。包括非参数方法和参数方法。
参数方法：对数据集拟合一个模型，只需要存储模型参数。
非参数方法：直方图，聚类，抽样等等。
数据压缩：使用不同变换方法得到原数据的压缩形式。如果能够从压缩后的数据重构原始数据，而且没有损失信息，则称为无损压缩，哈夫曼算法。如果只能近似重构，则称为有损压缩。

四、数据转换

将数据格式统一，使得挖掘过程更有效。主要方法包括规范化和离散化。
1.数据规范化：将数据按照比例缩放，使之落入一个特定的区间。
最大-最小规范：

其中minA和maxA是属性A的最小值和最大值，new_maxA和new_minA
是映射的到新区间的最大值和最小值。该方法容易受到离群点影响。
z-socre规范化：

这种方法基于属性的均值和标准差来进行规范化。可以避免离群点的影响。
小数定标规范化：

例如对于salary属性，其最大值为135000，所以使用小数定标规范化时，每个属性值除以1 000 000（即j = 6），对id为1的实体属性salary进行小数定标规范化，57000 / 1 000 000 = 0.057
2.数据离散化：
将连续性数据切分为若干段。
为什么要离散化？
（1）算法输入数据的需要，决策树，朴素贝叶斯等算法不能直接使用连续性数据，只有经过离散化之后才能处理。
（2）消除极端数据的影响。离散化可以有效克服数据中隐藏的缺陷，可以有效降低离群点和噪声的影响。
离散化的方法有等距离散化，等频离散化。