数据挖掘中常用的数据清洗方法

对于数据挖掘来说，80%的工作都花在数据准备上面，而数据准备，80%的时间又花在数据清洗上，而数据清洗的工作，80%又花在选择若干种适当高效的方法上。用不同方法清洗的数据，对后续挖掘的分析工作会带来重大影响。

1、数值化
由于原始数据往往存在各种不同格式的数据形式，比如如果你要处理的数据是数值型，但是原始数据也许有字符型或者其他，那就要对其进行标准化操作。处理的方式可以很简单也可以很复杂，我采取过的一个方法是：对字符串取值，按照ANSI码值求和得到字符串的值，如果值太大，可以取一个适当的质数对其求模，本质上就是映射到一个区间了。然后就得到数值型的数据了。

2、标准化 normalization
由于原始数据各个维度之间的数值往往相差很大，比如一个维度的最小值是0.01，另一个维度最小值却是1000，那么也许在数据分析的时候，计算相关性或者方差啥的指标，后者会掩盖了前者的作用。因此有必要对整体数据进行归一化工作，也就是将它们都映射到一个指定的数值区间，这样就不会对后续的数据分析产生重大影响。我采取过的一个做法是：min-max标准化。

3、降维
由于原始数据往往含有很多维度，也就是咱们所说的列数。比如对于银行数据，它往往就含有几十个指标。这些维度之间往往不是独立的，也就是说也许其中之间若干的维度之间存在关联，也许有他就可以没有我，因此咱们可以使用数据的相关性分析来降低数据维度。我使用过的一个方法是：主成分分析法。

4、完整性：

解决思路：数据缺失，那么补上就好了。
补数据有什么方法？

- 通过其他信息补全，例如使用身份证件号码推算性别、籍贯、出生日期、年龄等
- 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

- 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

- 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：

- 按主键去重，用sql或者excel“去除重复记录”即可，
- 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。

- 解决数据的共识性问题
解题思路：用最权威的那个渠道的数据
方法:
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。。。

- 解决数据的合法性问题
解题思路：设定判定规则

- 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

    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
   
    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
        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：

- 指标体系（度量）
- 维度（分组、统计口径）
- 单位
- 频度
- 数据