详细的数据预处理方法

详细的数据预处理方法为什么数据处理很重要？熟悉数据挖掘和机器学习的小伙伴们都知道，数据处理相关的工作时间占据了 整个项目的 70%以上数据的质量，直接决定了模型的预测和泛化能力的好 坏它涉及很多因素，包括：准确性、完整性、一致性、时效性、可信性和解 释性而在真实数据中，我们拿到的数据可能包含了大量的缺失值，可能包含 大量的噪音，也可能因为人工录入错误导致有异常点存在，非常不利于算法模 型的训练数据清洗的结果是对各种脏数据进行对应方式的处理，得到标准 的、干净的、连续的数据，提供给数据统计、数据挖掘等使用有哪些数据预处理的方法？数据预处理的主要步骤分为：数据清理、数据集成、数据规约和数据变换本 文将从这四个方面详细的介绍具体的方法如果在一个项目中，你在这几个方 面的数据处理做的都很不错，对于之后的建模具有极大的帮助，并且能快速达 到一个还不错的结果数据清理数据清理（datacleaning）的主要思想是通过填补缺失值、光滑噪声数据，平滑或删除离群点，并解决数据的不一致性来“清理“数据如果用户认为数据时脏 乱的，他们不太会相信基于这些数据的挖掘结果，即输出的结果是不可靠的1、缺失值的处理由于现实世界中，获取信息和数据的过程中，会存在各类的原因导致数据丢失 和空缺。

针对这些缺失值的处理方法，主要是基于变量的分布特性和变量的重 要性（信息量和预测能力）采用不同的方法主要分为以下几种：• 删除变量：若变量的缺失率较高（大于 80%），覆盖率较低，且重要性较低，可以 直接将变量删除• 定值填充：工程中常见用-9999 进行替代• 统计量填充：若缺失率较低（小于 95%）且重要性较低，则根据数据分布的情况 进行填充对于数据符合均匀分布，用该变量的均值填补缺失，对于数据存在倾斜 分布的情况，采用中位数进行填补• 插值法填充：包括随机插值，多重差补法，热平台插补，拉格朗日插值，牛顿插值 等• 模型填充：使用回归、贝叶斯、随机森林、决策树等模型对缺失数据进行预测• 哑变量填充：若变量是离散型，且不同值较少，可转换成哑变量，例如性别 SEX变量，存在male,fameal,NA三个不同的值，可将该列转换成IS_SEX_MALE,IS_SEX_FEMALE,IS_SEX_NA 若某个变量存在十几个不同的值，可根据每个值的频 数将频数较小的值归为一类ther',降低维度此做法可最大化保留变量的信总结来看，楼主常用的做法是：先用pandas.isnull.sum（）检测出变量的缺失比例，考虑删除或者填充，若需要填充的变量是连续型，一般采用均值法和随机 差值进行填充，若变量是离散型，通常采用中位数或哑变量进行填充。

注意：若对变量进行分箱离散化，一般会将缺失值单独作为一个箱子（离散变 量的一个值）2、离群点处理异常值是数据分布的常态，处于特定分布区域或范围之外的数据通常被定义为 异常或噪声异常分为两种： “伪异常”，由于特定的业务运营动作产生，是正 常反应业务的状态，而不是数据本身的异常；“真异常”，不是由于特定的业务 运营动作产生，而是数据本身分布异常，即离群点主要有以下检测离群点的 方法：•简单统计分析：根据箱线图、各分位点判断是否存在异常，例如pandas的 describe 函数可以快速发现异常值• 3 原则：若数据存在正态分布，偏离均值的 3 之外. 通常定义 范围内的点为离群点•基于绝对离差中位数（MAD ）:这是一种稳健对抗离群数据的距离值方法，采用计 算各观测值与平均值的距离总和的方法放大了离群值的影响• 基于距离：通过定义对象之间的临近性度量，根据距离判断异常对象是否远离其他 对象，缺点是计算复杂度较高，不适用于大数据集和存在不同密度区域的数据集• 基于密度：离群点的局部密度显著低于大部分近邻点，适用于非均匀的数据集• 基于聚类：利用聚类算法，丢弃远离其他簇的小簇总结来看，在数据处理阶段将离群点作为影响数据质量的异常点考虑，而不是 作为通常所说的异常检测目标点，因而楼主一般采用较为简单直观的方法，结 合箱线图和MAD的统计方法判断变量的离群点。

具体的处理手段：• 根据异常点的数量和影响，考虑是否将该条记录删除，信息损失多• 若对数据做了 log-scale 对数变换后消除了异常值，则此方法生效，且不损失信息• 平均值或中位数替代异常点，简单高效，信息的损失较少• 在训练树模型时，树模型对离群点的鲁棒性较高，无信息损失，不影响模型训练效 果3、噪声处理噪声是变量的随机误差和方差，是观测点和真实点之间的误差，即 通常 的处理办法：对数据进行分箱操作，等频或等宽分箱，然后用每个箱的平均 数，中位数或者边界值（不同数据分布，处理方法不同）代替箱中所有的数， 起到平滑数据的作用另外一种做法是，建立该变量和预测变量的回归模型， 根据回归系数和预测变量，反解出自变量的近似值谢r IE /->-?- . （V数据集成数据分析任务多半涉及数据集成数据集成将多个数据源中的数据结合成、存 放在一个一致的数据存储，如数据仓库中这些源可能包括多个数据库、数据 方或一般文件1. 实体识别问题：例如，数据分析者或计算机如何才能确信一个数 据库中 的 customer_id 和另一个数据库中的 cust_number 指的是同一实体? 通常，数据库和 数据仓库 有元数据——关于数据的数据。

这种元数据可以帮助避免模式集成中的 错误2. 冗余问题一个属性是冗余的，如果它能由另一个表“导出”;如年薪属性或 维命 名的不一致也可能导致数据集中的冗余 用相关性检测冗余：数值型变量可计算 相关系数矩阵，标称型变量可计算卡方检验3. 数据值的冲突和处理：不同数据源，在统一合并时，保持规范化，去重数据挖掘：概念与技术数据规约数据归约技术可以用来得到数据集的归约表示，它小得多，但仍接近地保持原 数据的完整性 这样，在归约后的数据集上挖掘将更有效，并产生相同（或几 乎相同）的分析结果一般有如下策略：1、维度规约用于数据分析的数据可能包含数以百计的属性，其中大部分属性与挖掘任务不 相关，是冗余的维度归约通过删除不相关的属性，来减少数据量，并保证信 息的损失最小属性子集选择：目标是找出最小属性集，使得数据类的概率分布尽可能地接近 使用所有属性的原分布在压缩 的属性集上挖掘还有其它的优点它减少了出 现在发现模式上的属性的数目，使得模式更易于理解• 逐步向前选择：该过程由空属性集开始，选择原属性集中最好的属性，并将它添加 到该集合 中在其后的每一次迭代，将原属性集剩下的属性中的最好的属性添加到该集合 中。

• 逐步向后删除：该过程由整个属性集开始在每一步，删除掉尚在属性集中的最坏 属性• 向前选择和向后删除的结合：向前选择和向后删除方法可以结合在一起，每一步选 择一个最 好的属性，并在剩余属性中删除一个最坏的属性pythonscikit-learn 中的递归特征消除算法 Recursivefeatureelimination（RFE），就是利用这样的思想进行特征子集筛选的，一般考虑建立SVM或回归 模型单变量重要性：分析单变量和目标变量的相关性，删除预测能力较低的变量 这种方法不同于属性子集选择，通常从统计学和信息的角度去分析• pearson 相关系数和卡方检验，分析目标变量和单变量的相关性• 回归系数：训练线性回归或逻辑回归，提取每个变量的表决系数，进行重要性排 序•树模型的Gini指数：训练决策树模型，提取每个变量的重要度，即Gini指数进行 排序• Lasso正则化：训练回归模型时，加入L1正则化参数，将特征向量稀疏化• IV指标：风控模型中，通常求解每个变量的IV值，来定义变量的重要度，一般将 阀值设定在 0.02 以上以上提到的方法，没有讲解具体的理论知识和实现方法，需要同学们自己去熟 悉掌握。

楼主通常的做法是根据业务需求来定，如果基于业务的用户或商品特 征，需要较多的解释性，考虑采用统计上的一些方法，如变量的分布曲线，直 方图等，再计算相关性指标，最后去考虑一些模型方法如果建模需要，则通 常采用模型方法去筛选特征，如果用一些更为复杂的 GBDT， DNN 等模型，建 议不做特征选择，而做特征交叉2、维度变换：维度变换是将现有数据降低到更小的维度，尽量保证数据信息的完整性楼主 将介绍常用的几种有损失的维度变换方法，将大大地提高实践中建模的效率•主成分分析（PCA）和因子分析（FA） : PCA通过空间映射的方式，将当前维度映 射到更低的维度，使得每个变量在新空间的方差最大FA则是找到当前特征向量 的公因子（维度更小），用公因子的线性组合来描述当前的特征向量•奇异值分解（SVD） : SVD的降维可解释性较低，且计算量比PCA大，一般用在稀 疏矩阵上降维，例如图片压缩，推荐系统• 聚类：将某一类具有相似性的特征聚到单个变量，从而大大降低维度• 线性组合：将多个变量做线性回归，根据每个变量的表决系数，赋予变量权重，可 将该类变量根据权重组合成一个变量•流行学习：流行学习中一些复杂的非线性方法，可参考skearn : LLEExample数据变换数据变换包括对数据进行规范化，离散化，稀疏化处理，达到适用于挖掘的目 的。

1. 规范化处理：数据中不同特征的量纲可能不一致，数值间的差别可能很大，不进行 处理可能会影响到数据分析的结果，因此，需要对数据按照一定比例进行缩放，使 之落在一个特定的区域，便于进行综合分析特别是基于距离的挖掘方法，聚类， KNN， SVM 一定要做规范化处理• 最大 - 最小规范化：将数据映射到［0,1］区间，• Z-Score 标准化：处理后的数据均值为0，方差为 1，• Log变换：在时间序列数据中，对于数据量级相差较大的变量，通常做Log函数的变换， .2、离散化处理：数据离散化是指将连续的数据进行分段，使其变为一段段离 散化的区间分段的原则有基于等距离、等频率或优化的方法数据离散化的 原因主要有以下几点：• 模型需要：比如决策树、朴素贝叶斯等算法，都是基于离散型的数据展开的如果 要使用该类算法，必须将离散型的数据进行有效的离散化能减小算法的时间和空 间开销，提高系统对样本的分类聚类能力和抗噪声能力• 离散化的特征相对于连续型特征更易理解• 可以有效的克服数据中隐藏的缺陷，使模型结果更加稳定等频法：使得每个箱中的样本数量相等，例如总样本n=100，分成k=5个箱， 则分箱原则是保证落入每个箱的样本量=20。

等宽法：使得属性的箱宽度相等，例如年龄变量（0-100之间），可分成［0,20］， ［20,40］， ［40,60］， ［60,80］， ［80,100］五个等宽的箱聚类法：根据聚类出来的簇，每个簇中的数据为一个箱，簇的数量模型给定3、稀疏化处理：针对离散型且标称变量，无法进行有序的 LabelEncoder 时， 通常考虑将变量做0， 1哑变量的稀疏化处理，例如动物类型变量中含有猫， 狗，猪，羊四个不同值，将该变量转换成is_猪，is_猫，is_狗，is_羊四个哑变量若是变量的不同值较多，则根据频数，将出现次数较少的值统一归为一类'rare'稀疏化处理既有利于模型快速收敛，又能提升模型的抗噪能力总结以上介绍了数据预处理中会用到的大部分方法和技术，完全适用于初学者学习 掌握，并且对于实践建模会有大幅度提升。