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))
数据分析咨询请扫描二维码
若不方便扫码，搜微信号：CDAshujufenxi
在数据处理的全流程中，数据呈现与数据分析是两个紧密关联却截然不同的核心环节。无论是科研数据整理、企业业务复盘，还是日常数 ...
2026-03-06在数据分析、数据预处理场景中，dat文件是一种常见的二进制或文本格式数据文件，广泛应用于科研数据、工程数据、传感器数据等领 ...
2026-03-06在数据驱动决策的时代，CDA（Certified Data Analyst）数据分析师的核心价值，早已超越单纯的数据清洗与统计分析，而是通过数据 ...
2026-03-06在教学管理、培训数据统计、课程体系搭建等场景中，经常需要对课时数据进行排序并实现累加计算——比如，按课程章节排序，累加各 ...
2026-03-05在数据分析场景中，环比是衡量数据短期波动的核心指标——它通过对比“当前周期与上一个相邻周期”的数据，直观反映指标的月度、 ...
2026-03-05数据治理是数字化时代企业实现数据价值最大化的核心前提，而CDA（Certified Data Analyst）数据分析师作为数据全生命周期的核心 ...
2026-03-05在实验检测、质量控制、科研验证等场景中，“方法验证”是确保检测/分析结果可靠、可复用的核心环节——无论是新开发的检测方法 ...
2026-03-04在数据分析、科研实验、办公统计等场景中，我们常常需要对比两组数据的整体差异——比如两种营销策略的销售额差异、两种实验方案 ...
2026-03-04在数字化转型进入深水区的今天，企业对数据的依赖程度日益加深，而数据治理体系则是企业实现数据规范化、高质量化、价值化的核心 ...
2026-03-04在深度学习，尤其是卷积神经网络（CNN）的实操中，转置卷积（Transposed Convolution）是一个高频应用的操作——它核心用于实现 ...
2026-03-03在日常办公、数据分析、金融理财、科研统计等场景中，我们经常需要计算“平均值”来概括一组数据的整体水平——比如计算月度平均 ...
2026-03-03在数字化转型的浪潮中，数据已成为企业最核心的战略资产，而数据治理则是激活这份资产价值的前提——没有规范、高质量的数据治理 ...
2026-03-03在Excel办公中，数据透视表是汇总、分析繁杂数据的核心工具，我们常常通过它快速得到销售额汇总、人员统计、业绩分析等关键结果 ...
2026-03-02在日常办公和数据分析中，我们常常需要探究两个或多个数据之间的关联关系——比如销售额与广告投入是否正相关、员工出勤率与绩效 ...
2026-03-02在数字化运营中，时间序列数据是CDA（Certified Data Analyst）数据分析师最常接触的数据类型之一——每日的营收、每小时的用户 ...
2026-03-02在日常办公中，数据透视表是Excel、WPS等表格工具中最常用的数据分析利器——它能快速汇总繁杂数据、挖掘数据关联、生成直观报表 ...
2026-02-28有限元法（Finite Element Method, FEM）作为工程数值模拟的核心工具，已广泛应用于机械制造、航空航天、土木工程、生物医学等多 ...
2026-02-28在数字化时代，“以用户为中心”已成为企业运营的核心逻辑，而用户画像则是企业读懂用户、精准服务用户的关键载体。CDA（Certifi ...
2026-02-28在Python面向对象编程（OOP）中，类方法是构建模块化、可复用代码的核心载体，也是实现封装、继承、多态特性的关键工具。无论是 ...
2026-02-27在MySQL数据库优化中，索引是提升查询效率的核心手段—— 面对千万级、亿级数据量，合理创建索引能将查询时间从秒级压缩到毫秒级 ...
2026-02-27
京公网安备 11010802034615号
经营许可证编号：京B2-20210330
