数据预处理的一些方法

现实世界中，数据集存在着不完整、包含噪声和不一致等特点，无法直接用来挖掘知识。收集数据的设备可能出故障，人为输入数据时出错或缺失，数据传输中引起的错误都将造成数据集含有不正确的属性值。数据中各个属性的单位不同，也可能造成分析过程以及预测模型的不精确。可以使用以下方法预处理数据集。

（1）删除缺失值。

（2）箱线图

R语言使用boxplot()命令绘制箱线图，箱线图也是我们常说的五数分布，通过计算 IQR=Q3-Q1，即第三个四分位数减去第一个四分位数。常用经验是剔除至少高于第三个四分位数或低于第一个四分位数1.5*IQR处的值。但在实际生产过程中，1.5只是经验带给人们的参考值，具体情况应修改这个数值。例如本次试验中，如果使用1.5这个数字，将会剔除大部分数据点，使得数据集失去意义。部分属性甚至高达10才可达到既剔除无用数据又最大限度的保留原本数据的目的。如图1所示。图中用o代替的点即为需要剔除的离群点。

图1

（3）数据标准化/归一化

数据中心化是指讲每一项数据减去该数据集的均值。值得注意的是，标准化会对原始数据产生改变，需要保存所使用的标准化方法的参数，以便对后续的数据进行统一的标准化。数据标准化有几种不同的方法：

1.     min-max标准化公式：新数据=（原数据-极小值）/（极大值-极小值）。这样能将原始值映射在[0,1]区间中的某值。

2.     z-score法：将中心化后的数据除以数据集的标准差，这样做的意义是消除量纲对数据结构的影响。R语言中使用scale(x,center = T,scale =T)命令进行z-score标准化。

3.     小数定标标准化

4.     对数Logistic模式公式：新数据=1/(1+e^(-原数据))