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
在数字化运营中，“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”，直接决定了运营动作 ...
2025-10-24在卷积神经网络（CNN）的训练中，“卷积层（Conv）后是否添加归一化（如 BN、LN）和激活函数（如 ReLU、GELU）” 是每个开发者都 ...
2025-10-24在数据决策链条中，“统计分析” 是挖掘数据规律的核心，“可视化” 是呈现规律的桥梁 ——CDA（Certified Data Analyst）数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上，Python 凭借其丰富的科学计算库（NumPy、FilterPy）、深度学习框架（PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域，“状态估计” 是核心任务 —— 即从含噪声的观测数据中，精准推断系统的真 ...
2025-10-23在数据分析全流程中，“数据清洗” 恰似烹饪前的食材处理：若食材（数据）腐烂变质、混杂异物（脏数据），即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域，“大模型” 已成为近年来的热点标签：从参数超 1750 亿的 GPT-3，到万亿级参数的 PaLM，再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中，“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中，“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中，订单数据分散 ...
2025-10-22在神经网络设计中，“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”（模型无法捕捉复杂数据规律，如用单隐 ...
2025-10-21在特征工程流程中，“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度，剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中，“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA（Cert ...
2025-10-21在实际业务数据分析中，我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额（少数用户单次消费上万元，多数集 ...
2025-10-20在数字化交互中，用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”，到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中，“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材，若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天，几乎每个职场人都在焦虑： “为什么别人能用数据驱动决策、升职加薪，而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”，但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中，透视表凭借灵活的字段重组能力成为核心工具，但原始透视表仅能呈现数值结果，缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中，“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益，电商靠 “运营拍 ...
2025-10-17在数据库日常操作中，INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表（或查询结果集）的数 ...
2025-10-16
京公网安备 11010802034615号
经营许可证编号：京B2-20210330
