二、数据预处理
缺失值处理 数据标准化 单独讲解
1、数据预处理的步骤
数据清洗 → 数据集成 → 数据规约 → 数据变换
2、数据预处理的方法
①数据清洗
填补缺失值、光滑噪声数据、识别和删除离群点、解决数据不一致性
(1)缺失值处理
基于变量的分布特性及其重要性(信息量、预测能力)采用不同的方法 → 链接
(2)离群点处理
常指特定分布区域外的数据,也称噪声
-
-
- 伪异常:因特定的运营动作产生,非数据本身问题,如:双十一成交量远高于平时
- 真异常:不是因特定的运营动作而产生、数据本身分布异常,即离群点
-
离群点的检测方法:
简单统计分析、3$\sigma$原则、基于绝对离差中位数(MAD)、基于距离、基于密度、基于聚类
简单统计分析
散点图、箱线图、各分位点判断
如:pandas的describe 可以生成描述性统统计数据,总结数据分布的集中趋势、分散、形状等。
DataFrame.describe(self, percentiles=None, include=None, exclude=None)
3$\sigma$原则 → 讲解链接
若数据存在正态分布,偏离均值的3$\sigma$之外的点为离群点。
距离平均值三倍$\sigma$之外的值出现的概率很小,应满足 $$P(|x-\mu|\gt 3\sigma)\le 0.003$$
基于绝对离差中位数(MAD)
标准差是数据到均值的平方,偏差权重更大,异常值对结果会产生重要影响。
MAD,少量的异常值不会影响最终的结果,比标准差更能适应数据集中的异常值。$$MAD = median((|X_i − median(X)∣)$$
先计算数据与它们的中位数之间的偏差,MAD就是这些偏差的绝对值的中位数。
如:数据集(1, 1, 2, 2, 4, 6, 9)的中位数为2,数据点到2的绝对偏差为(1, 1, 0, 0, 2, 4, 7),
该偏差列表的中位数为1(排序后的绝对偏差为(0, 0, 1, 1, 2, 4, 7)),所以该数据的绝对中位差为1。
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: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。
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,此方法可能导致信息损失较多;
- 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$obs = x + \epsilon$。
可能由硬件故障、编程错误、语音等识别出错导致,外部因素,非数据本身原因。
通常的处理办法:对数据进行分箱操作,等频或等宽分箱,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。
#生成分箱间隔的函数
numpy.logspace() #对数分箱 numpy.linespace() #线性分箱
②数据集成
将来自多个数据源的数据结合、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或多类数据库、数据方、数据格式。
(1)实体识别问题
如:如何确认一个数据库中的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——记录数据本身属性的数据,元数据可以帮助理清数据血缘,避免数据数据关联错误。
(2)冗余问题
一个属性存在于多张表内,属性或命名的不一致也可能导致数据集中的冗余。
如:平方米和平方英尺,使用不同单位记录同一个属性。
用相关性检测冗余:数值型变量可计算相关系数矩阵 → 冗余的数据的相关系数是相同的
标称型变量可计算卡方检验 → 卡方独立性检验
(3)数据值的冲突和处理
不同数据源在统一合并时,保持规范化并去重。
③数据规约
海量的数据进行分析和挖掘需要很多时间,数据规约技术能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。
在归约后的数据集上挖掘将产生相同(或几乎相同)的分析结果,更省时间。
(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。
维度归约通过删除不相关的属性,减少数据量,并保证信息的损失最小。
属性子集选择 单变量重要性
-
-
- 属性子集选择
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。
- 属性子集选择
-
逐步向前选择:
由空属性集开始,选择原属性集中最好的属性,添加到该集合中。
其后的每一次迭代,将原属性集剩下的属性中的最好属性添加到该集合中。
逐步向后删除:
由整个属性集开始,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结合:
向前选择和向后删除方法结合在一起,每一步选择一个最好属性,剩余属性中删除一个最坏的属性。
决策树归纳:
不出现在树中的所有属性假定不相关,出现在树种的属性纳入归约集。
(利用决策树最大熵增益的思想,作特征选择)
属性构造:
根据高和宽属性,可以构造出面积属性,属性构造可以发现数据属性间的缺失的联系信息。
-
-
- 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,通常从统计学和信息的角度去分析。
- 单变量重要性
-
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。
基于业务的用户或商品特征,如果需要较多的解释性,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,尽量保证数据信息完整性。
-
-
- 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,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sklearn。
-
④数据变换
数据变换包括对数据进行标准化、离散化、稀疏化处理,达到适用于挖掘的目的。
(1)标准化处理
不同特征的量纲可能不一致,数值间的差别可能很大,需要对数据按照一定比例进行缩放。
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。
(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。
-
-
- 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,必须使用离散型数据。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。如:将月薪2000和20000直接转换为离散型数据-低薪、高薪,不用通过数值层面理解差异,表达更加直观。
- 可以有效的克服数据中隐藏的缺陷,使模型结果更加稳定。
-
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。
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。