淺析數(shù)據(jù)挖掘中的數(shù)據(jù)預(yù)處理技術(shù)

張治斌++劉威

摘要：無論在數(shù)據(jù)分析還是數(shù)據(jù)挖掘過程中，數(shù)據(jù)預(yù)處理都處于重要的地位和作用，占據(jù)數(shù)據(jù)挖掘過程總工作量的60-80%，數(shù)據(jù)預(yù)處理過程決定著數(shù)據(jù)挖掘結(jié)果的準(zhǔn)確性和有效性，本文主要針對數(shù)據(jù)預(yù)處理的基本工作內(nèi)容進(jìn)行介紹。

關(guān)鍵詞：數(shù)據(jù)預(yù)處理；數(shù)據(jù)挖掘；過程；數(shù)據(jù)清洗

中圖分類號：TP39 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2017）10-0216-02

現(xiàn)實(shí)世界的數(shù)據(jù)庫系統(tǒng)中的數(shù)據(jù)量迅速膨脹，目前數(shù)據(jù)存儲的數(shù)量級已經(jīng)達(dá)到G-T-P的級別，由于用戶輸入、數(shù)據(jù)庫設(shè)計(jì)與界面設(shè)計(jì)等各種原因，在海量的數(shù)據(jù)中難免會出現(xiàn)各種不符合分析需求的噪聲數(shù)據(jù)、空缺值、缺失值；有些數(shù)據(jù)描述不完整；在進(jìn)行數(shù)據(jù)整合與合并時(shí)，不同數(shù)據(jù)源的統(tǒng)一屬性字段存在不一致性的情況，為了使數(shù)據(jù)挖掘的結(jié)果能夠可觀、真實(shí)反映歷史數(shù)據(jù)的情況，為用戶提供精確的指導(dǎo)建議，所以在數(shù)據(jù)挖掘之前進(jìn)行數(shù)據(jù)預(yù)處理工作，改善和提高數(shù)據(jù)質(zhì)量非常必要。

1 數(shù)據(jù)挖掘過程介紹

數(shù)據(jù)挖掘也叫做資料勘探或數(shù)據(jù)采礦，從宏觀上定義為從海量的各類數(shù)據(jù)中通過某種算法探索隱匿的信息和知識的過程，許多人把數(shù)據(jù)挖掘視為數(shù)據(jù)庫知識發(fā)現(xiàn)（KDD）的同義詞，知識發(fā)現(xiàn)的過程如圖1所示。

在上述數(shù)據(jù)挖掘工作中的數(shù)據(jù)清理與集成、數(shù)據(jù)選取與變換過程就是數(shù)據(jù)預(yù)處理過程，所謂數(shù)據(jù)預(yù)處理指的是在進(jìn)行挖掘前對數(shù)據(jù)進(jìn)行一些必要的處理，其主要過程包括：數(shù)據(jù)選取、數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)加載的過程，這一過程也被稱作ETL，數(shù)據(jù)預(yù)處理是數(shù)據(jù)挖掘的基礎(chǔ)，通過研究發(fā)現(xiàn)，數(shù)據(jù)預(yù)處理過程要花費(fèi)整個(gè)挖掘過程的60-80%左右的時(shí)間和精力。在挖掘前進(jìn)行有效的數(shù)據(jù)預(yù)處理工作，既可以節(jié)省大量時(shí)間和空間，更能確保數(shù)據(jù)挖掘結(jié)果得到更好的決策和預(yù)測作用。

假設(shè)有這樣一個(gè)需求：某公司要對歷史銷售的數(shù)據(jù)進(jìn)行挖掘分析，以為后期的銷售提供指導(dǎo)，我們指導(dǎo)銷售數(shù)據(jù)通常包括諸如商品名稱、產(chǎn)地、經(jīng)銷地、生產(chǎn)時(shí)間、銷售量與銷售時(shí)間等信息，這樣，我們通常首先選取能夠獲得以上數(shù)據(jù)的數(shù)據(jù)庫和數(shù)據(jù)倉庫內(nèi)容，進(jìn)一步挑選與挖掘任務(wù)相關(guān)的數(shù)據(jù)對象的屬性特征與記錄。但是，我們會發(fā)現(xiàn)在數(shù)據(jù)庫中有些數(shù)據(jù)存在一些錯(cuò)誤和不正常與不一致的情況；有些記錄屬性值不是我們所關(guān)心的；有些數(shù)據(jù)屬性之間的值存在較大的偏差，那么在數(shù)據(jù)挖掘前就有必要將這些噪聲數(shù)據(jù)以及不一致的屬性進(jìn)行預(yù)先的處理。

我們通常把數(shù)據(jù)中存在的錯(cuò)誤或異?；蚱x期望值的數(shù)據(jù)成為噪聲數(shù)據(jù)；把有些在挖掘中需要或感興趣但其屬性卻沒有值的數(shù)據(jù)稱為不完整數(shù)據(jù)；把數(shù)據(jù)庫中具有相同屬性意義，但表現(xiàn)字段屬性不同的情況稱為不一致的數(shù)據(jù)，例如：同一部門的編號在數(shù)據(jù)庫中表現(xiàn)為不同的值，或者性別字段的記錄值表現(xiàn)形式不同等。

2 數(shù)據(jù)預(yù)處理技術(shù)解析

數(shù)據(jù)預(yù)處理技術(shù)主要由數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)變換和數(shù)據(jù)歸約等四部分工作組成。所謂數(shù)據(jù)清洗，是指將數(shù)據(jù)中存在的噪聲數(shù)據(jù)進(jìn)行消除，糾正數(shù)據(jù)庫中數(shù)據(jù)不一致的情況；數(shù)據(jù)集成比較容易理解與實(shí)現(xiàn)，指的是將不同數(shù)據(jù)源的數(shù)據(jù)通過橫向合并或縱向追加等形式重新構(gòu)成一個(gè)新的數(shù)據(jù)集合；數(shù)據(jù)變換的目的是為了數(shù)據(jù)格式的統(tǒng)一而進(jìn)行的將一種格式的數(shù)據(jù)轉(zhuǎn)換為另一種規(guī)范統(tǒng)一并能夠易于分析處理的數(shù)據(jù)格式；最后，由于我們處理的是海量數(shù)據(jù)，為了能夠提高挖掘效率，需要將與挖掘業(yè)務(wù)無關(guān)的冗余特征進(jìn)行刪除，再通過聚類等方式消除多余數(shù)據(jù)，這個(gè)過程就是數(shù)據(jù)歸約。下面針對數(shù)據(jù)預(yù)處理的四個(gè)過程進(jìn)行詳細(xì)介紹。

（1）數(shù)據(jù)清理：數(shù)據(jù)清理是完成格式的標(biāo)準(zhǔn)化、對空缺值進(jìn)行處理、清除重復(fù)的數(shù)據(jù)以及對異常數(shù)據(jù)進(jìn)行錯(cuò)誤糾正和清除等操作；例如在分析一個(gè)學(xué)生家庭基本信息的數(shù)據(jù)時(shí)，發(fā)現(xiàn)有好多記錄中的屬性值為空：例如：“家庭年收入”屬性；還有一些屬性值為異常狀況，例如 “家庭年收入”屬性值為負(fù)數(shù)；當(dāng)數(shù)據(jù)庫中出現(xiàn)空的屬性值或異常的屬性值時(shí)，如果對于挖掘結(jié)果影響不大，可以將其忽略；如果不完整數(shù)量不多，可以根據(jù)需要進(jìn)行手動填補(bǔ)空缺值或替換異常值；此外，如果對于數(shù)據(jù)量較大，對數(shù)據(jù)質(zhì)量要求較高的時(shí)候，也可以利用缺省值、可能出現(xiàn)的值、平均值進(jìn)行填補(bǔ)的方法。相對來說利用最可能出現(xiàn)的值填補(bǔ)遺漏值是一種比較普遍使用的方法，能夠最大程度上確保信息符合當(dāng)前數(shù)據(jù)所包含的特征，幫助預(yù)測所遺漏的數(shù)據(jù)。

（2）數(shù)據(jù)集成：數(shù)據(jù)集成是將來自不同數(shù)據(jù)源的數(shù)據(jù)合并為統(tǒng)一一致的數(shù)據(jù)存儲中，這種數(shù)據(jù)存儲可以是數(shù)據(jù)庫或數(shù)據(jù)倉庫；數(shù)據(jù)集成主要包括：包含相同字段屬性的縱向追加和具有相關(guān)屬性疊加的橫向合并。在進(jìn)行數(shù)據(jù)橫向合并時(shí)，會出現(xiàn)同一對象的一些屬性字段在不同數(shù)據(jù)庫或數(shù)據(jù)倉庫中的名稱不同或?qū)傩灾挡煌?，這樣就容易造成合成后的數(shù)據(jù)出現(xiàn)不一致性或者數(shù)據(jù)的冗余性。例如：在學(xué)生成績的數(shù)據(jù)庫中，學(xué)生的學(xué)號字段表示為“Student_ID”，學(xué)生性別的屬性取值為（0，1），在另一個(gè)學(xué)生基本信息的數(shù)據(jù)庫中，學(xué)生的學(xué)號字段表示為“ID”，學(xué)生性別的屬性取值為（‘男，‘女）；這樣兩個(gè)數(shù)據(jù)庫的信息在進(jìn)行集成的時(shí)候，就會出現(xiàn)性別字段的屬性取值不一致，學(xué)號字段的信息存在冗余的情況，這樣進(jìn)一步大大降低數(shù)據(jù)挖掘的效率，而且會誤導(dǎo)挖掘的過程，所以在數(shù)據(jù)集成過程的一項(xiàng)重要工作是消減數(shù)據(jù)的冗余。

（3）數(shù)據(jù)歸約：數(shù)據(jù)歸約是針對原始數(shù)據(jù)集中地屬性和記錄，實(shí)現(xiàn)有效的數(shù)據(jù)采樣與對應(yīng)屬性選擇，進(jìn)一步降低數(shù)據(jù)規(guī)模，在數(shù)據(jù)歸約過程可以采用聚集、聚類以及將冗余特征值刪除等形式，達(dá)到既能最大限度的保持?jǐn)?shù)據(jù)的原有特征，又能夠有效的精簡數(shù)據(jù)量的目的。數(shù)據(jù)歸約的前提是保持原有數(shù)據(jù)的完整性和有效性的基礎(chǔ)上，在龐大的數(shù)據(jù)庫或數(shù)據(jù)倉庫系統(tǒng)中抽取出具有特征性的精簡的數(shù)據(jù)集合。數(shù)據(jù)歸約主要通過數(shù)據(jù)立方體技術(shù)、維消減、數(shù)據(jù)壓縮、數(shù)據(jù)塊消減、離散化和概念層次生成等方法實(shí)現(xiàn)。

（4）數(shù)據(jù)變換：數(shù)據(jù)變換是根據(jù)需要將數(shù)據(jù)壓縮到較小的區(qū)間中，也就是對數(shù)據(jù)進(jìn)行規(guī)格化處理，將數(shù)據(jù)壓縮到特定的范圍之內(nèi)，例如【0，1】之間。例如對于學(xué)生基本信息中的成績屬性和家庭年收入屬性，由于家庭年收入屬性比成績屬性的值大得多，如果不進(jìn)行規(guī)范化處理，在進(jìn)行類似神經(jīng)網(wǎng)絡(luò)等挖掘方法處理時(shí)，家庭年收入的距離計(jì)算值會遠(yuǎn)遠(yuǎn)大于學(xué)生成績的距離計(jì)算值，這就將家庭年收入的屬性作用在整個(gè)數(shù)據(jù)對象的距離計(jì)算中被遠(yuǎn)遠(yuǎn)放大。

以上所提到的幾種數(shù)據(jù)預(yù)處理方法，相互之間不僅關(guān)聯(lián)而且是獨(dú)立的，各個(gè)預(yù)處理方法的實(shí)施并沒有先后順序的嚴(yán)格制約，并且相互貫通，例如消除數(shù)據(jù)冗余的過程既可以看做是數(shù)據(jù)清洗過程的一項(xiàng)工作，也可以認(rèn)為是數(shù)據(jù)歸約工作中的一種方法。

數(shù)據(jù)預(yù)處理無論在數(shù)據(jù)挖掘或數(shù)據(jù)分析過程中，都被視為是一項(xiàng)重要的工作，特別隨著海量數(shù)據(jù)的逐漸龐大，各類噪聲數(shù)據(jù)與不完整數(shù)據(jù)的層出不窮，每一項(xiàng)數(shù)據(jù)挖掘工作中都要對數(shù)據(jù)質(zhì)量進(jìn)行嚴(yán)格的預(yù)處理工作，以提高數(shù)據(jù)挖掘結(jié)果的準(zhǔn)確與真實(shí)性，達(dá)到提高數(shù)據(jù)挖掘所獲模式知識質(zhì)量的目的。

參考文獻(xiàn)

[1]薛薇.基于SPSS Modeler的數(shù)據(jù)挖掘[M].中國人民大學(xué)出版社，2014.endprint