数据清洗方法

数据挖掘中常用的数据清洗方法有哪些？

 

从两个角度看，数据清洗一是为了解决数据质量问题，，二是让数据更适合做挖掘。不同的目的下分不同的情况，也都有相应的解决方式和方法。

包括缺失值处理、异常值处理、重复值处理、空值填充、统一单位、是否标准化处理、是否删除无必要的变量、是否排序、是否进行主成分或因子分析等等。

1. 解决数据质量问题

   解决数据的各种问题，包括但不限于：

   1. 数据的完整性----例如人的属性中缺少性别、籍贯、年龄等
   2. 数据的唯一性----例如不同来源的数据出现重复的情况
   3. 数据的权威性----例如同一个指标出现多个来源的数据，且数值不一样
   4. 数据的合法性----例如获取的数据与常识不符，年龄大于150岁
   5. 数据的一致性----例如不同来源的不同指标，实际内涵是一样的，或是同一指标内涵不一致

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。

那么为了解决以上的各种问题，我们需要不同的手段和方法来一一处理。

每种问题都有各种情况，每种情况适用不同的处理方法，具体如下：

1.1解决数据的完整性问题：（数据缺失，那么补上就好了）

补数据有什么方法？

1. 通过其他信息补全，例如使用身份证号码推算性别、籍贯、出生日期、年龄等等。
2. 通过前后数据补全，例如时间序列缺数据了，可以使用前后的均值，缺的多了，可以使用平滑等处理，记得Matlab还是什么工具可以自动补全
3. 实在补不全的，虽然很可惜，但也必须要剔除。但是不要删掉，没准以后可以用得上

1.2解决数据的唯一性问题（解题思路：去除重复记录，只保留一条。）

去重的方法有：

1. 按主键去重，用sql或者excel"去除重复记录"即可，
2. 按规则去重，编写一系列的规则，对重复情况复杂的数据进行去重。例如不同渠道来的客户数据，可以通过相同的关键信息进行匹配，合并去重。

1.3解决数据的权威型问题

解题思路：用最权威的个渠道的数据

方法：

1. 对不同渠道设定权威级别，例如：在家里，首先得相信媳妇说的。。

1.4解决数据的合法性问题

解题思路：设定判定规则

1. 设定强制合法规则，凡是不在此规则范围内的，强制设为最大值，或者判为无效，剔除

   字段类型合法规则：日期字段格式为"2010-10-10"

   字段内容合法规则：性别 in （男、女、未知）；出生日期<=今天

2. 设定警告规则，凡是不在此规则范围内的，进行警告，然后人工处理

   警告规则：年龄》110

3. 离群值人工特殊处理，使用分箱、聚类、回归、等方式发现离群值

1.5解决数据的一致性问题

解题思路：建立数据体系，包含但不限于：

1. 指标体系（度量）
2. 维度
3. 单位
4. 频度
5. 数据

1. 让数据更适合做挖掘或展示

   目标包括但不限于：

   1. 高纬度----不适合挖掘
   2. 维度太低----不适合挖掘
   3. 无关信息----减少存储
   4. 字段冗余----一个字段是其他字段计算出来的，会造成相关系数为1或者主成因分析异常
   5. 多指标数值、单位不同----如GDP与城镇居民人均收入数值相差过大

   2.1解决高纬度问题

   解题思路：降维，方法包括但不限于：

   1. 主成分分析
   2. 随机森林

   2.2解决维度低或缺少维度问题

   解题思路：抽象，方法包括但不限于：

   1. 各种汇总，平均、加总、最大、最小
   2. 各种离散化，聚类等

   2.3解决无关信息和字段冗余（解决方法：剔除字段）

   2.4解决多指标数值、单位不同问题

   解决方法：归一化

2. 如何删除重复项

   由于各种原因，数据中可能存在重复记录或重复字段（列），对于这些重复项目（行和列）需要做去重处理。对于重复项的判断，基本思想是"排序和合并"，先将数据库中的记录按一定规则排序，然后通过比较邻近记录是否相似来检测记录是否重复。这里面其实包含了两个操作，一是排序，二是计算相似度。

常见的排序算法：

插入排序、冒泡排序、选择排序、快速排序、堆排序、归并排序、基数排序、希尔排序

常见判断相似度的算法：

基本的字段匹配算法、标准化欧氏距离、汉明距离、夹角余弦、曼哈顿距离、欧氏距离、切比雪夫距离、相关系数、信息熵等等

对于重复的数据项，尽量需要经过业务确认并进行整理提取出规则。在清洗转换阶段，对于重复数据项尽量不要轻易做出删除决策，尤其不能将重要的或有业务意义的数据过滤掉，校验和重复确认的工作必不可少