【Trick】数据预处理的常用方法

前言

本篇博文将介绍数据预处理的常用方法，这些方法仅根据本人接触过的数据挖掘项目中总结而来，如有疏漏或不合适的，望大佬们提出。

数据预处理

与我们从课本中获得的数据集不同，实际应用中遇到的数据集常常是带有噪声、带有缺失值、不符合相应的数据挖掘模型的，我们首先要做的事情就是对数据进行预处理，据统计，在整个数据挖掘过程中，数据的预处理过程常常会占到整个生命周期的60%-70%，还经常有一句话：Trash In Trash Out，意思是在数据挖掘过程中，如果预处理做的不好，模型中输入的数据带有噪声、异常值等Trash，那么模型输出的结果也将是Trash，由此可见数据预处理的重要性。
本文算是我自己的一个总结，方便以后查阅。

文本预处理

对于文本的数据挖掘，常常要进行预处理，尤其是对段落、句子进行的挖掘，常用的基本方法有：中文分词、机械去重、停用词过滤、关键词提取等。jieba是一个非常优秀的中文分词Python第三方程序库，相应的R中有jiebaR库，以此可实现中文分词；在机械去重阶段，需要注意根据项目的实际情况确定是否需要进行去重处理，如果你只是要统计每个句子之间的关系，而不考虑句子中单词出现的次数，就需要进行机械去重，但是如果你想要得到句子的情感程度，重复的表达情感的单词则显得尤为重要，因此在此阶段遵循的原则只有一个：具体情况具体分析！停用词过滤很常用，像正常文本中的“了”、“的”等词，在实际建模过程中并没有对模型有任何影响，这类词就可以认为是停用词，判断停用词的方法常用的有两种：一是基于字典的，这种方法就比较普遍，常见的停用词都会出现在字典中，只需比对样本语句和字典，相同的删除即可；二是针对特有数据集自己推导出停用词，停用词的特点就是：你有我有全都有，在每个预料中都会出现，而它本身又不带有多少信息，根据这个特点，可以采用类似TF-IDF算法进行判断，正常的TF-IDF算法是求语句相关程度的，可以把它应用在每个分词中，如果分词在单个语料中词频很高，在每个预料中都有涉及，则说明这些分词是共有的，带有的信息较少，可以将其认为是停用词。

图片数据预处理

之前实习接触过些深度学习的项目，处理的主要是计算机视觉的相关问题，输入为图片，主要是基于卷积神经网络实现图片处理，输入图片经常需要进行预处理，主要的操作有：数据增强、设置batch size、BN、灰度处理等操作。

数据增强

数据增强（Data Augment）作为深度学习中最常用的数据预处理方法，具有多种优势，其基本思想是通过对图片的翻转、平移、剪裁、缩放等操作，从而增加数据量。对于卷积神经网络而言，增大数据量可以缓解过拟合，提高模型的泛化能力，从而提升准确率。

设置batch size

设置批处理（batch size），每次输入到模型中训练的并不是全部数据，考虑到模型的复杂度和计算量，如果将全部数据一次性地输入模型中可能会造成I/O过载，不可取，而设置批处理，每次只输入训练集或测试集的一个子集，模型对输入的特征把握并不会太低，计算量又不至于太高。

BN

批标准化（batch normalization，BN），常用在卷积神经网络的图像处理中。

灰度处理

数值型数据预处理

对于数值型数据的预处理，可分为多种情况：缺失值的处理、异常值/离群点检测、数据标准化、文本数值化、数据不均匀等，接下来将依次介绍。

缺失值处理

实际接触的数据集，常存在的问题是存在缺失值，处理缺失值的方法很多，本文介绍常用的几种：
（1）用均值填充。
（2）用中位数填充。
（3）用众数填充。
（4）应用时序模型填充。对于时间序列数据，可以根据时间序列应用指数平滑、趋势外推等方法对缺失值进行预测。
（5）删除属性。看似暴力的方法，对于那些单个属性存在很多缺失值，上述方法不能很好填补缺失值时使用。

异常值/离群点检测

异常值/离群点对于某些算法，如聚类算法等具有距离测度属性的算法，如logistic回归等异常值敏感的算法，很容易受其影响。
（1）画图观察
在样本点不是很多的情况下，可以直接plot出散点图直接观察，使用python的matplotlib库就可以轻松实现
（2）LOF离群点检测

数据标准化

（1）z-score规范化
假设样本空间为 $X$ ，则z-score标准化的公式如下：

$$z\_score(x_i)=\frac{x_i-\mu(X)}{\sigma(X)}$$
其中， $\mu$ 表示样本的平均数， $\sigma$ 表示样本标准差，z-score标准化实际上就是样本点减去样本均值后除以样本标准差的结果。
基于Python实现z-score标准化的代码如下：

sklearn.preprocessing.scale(X)

（2）最小最大规范化
最小最大规范化将数据范围压缩到[0，1]之间，假设样本空间为 $X$对于样本属性 $x$ 存在如下转化公式：

$$min\_max\_scale(x) =\frac{x-min(X)}{max(X)-min(X)}$$
最小最大规范化保持了数据原有的基本特征，将其映射到小的范围空间中，这种方法在聚类分析中经常使用，下面给出基于Python的代码，非常简单：

# pip install scikit-learn
import sklearn
min_max_scaler = sklearn.preprocessing.MinMaxScaler()
min_max_scaler.fit_transform(X_train)

（3）二值化

binarizer = sklearn.preprocessing.Binarizer(threshold=1)
binarizer.transform(X)

文本数值化

对于文本属性，在合适时候可以转换成为数值型，比如我在之前的一个web招聘数据分析项目，其中有一个对招聘企业的评分，涉及到一个属性是企业状态：天使、A、B、C、D轮融资、不需要融资、即将上市、已上市等，对于这些数据，可以将其进行数值化，分别数值化成1、2、3、4、5、6、7、8，之后进行评分建模分析。

数据不均匀

数据不均匀问题很常见，也很容易被忽视掉，数据不均匀会导致模型精度下降，需要重视，假设有一个数据集，是一个二分类数据集，包含的正负样本的比例为10：1，可以采用如下中的一种进行处理：
（1）从正样本中随机抽取十分之一与负样本组成训练集。这种情况需要注意：一定要保证是在数据量足够大的情况下，如果数据本身就很少，这样做反而会更加麻烦。
（2）赋予负样本十倍于正样本权重。由于负样本比较少，这时增加负样本权重，会弥补由于负样本数量少带来的影响。
（3）将负样本数据额外复制9份，并添加极小噪声。
下面是一个实例介绍数据不均匀会带来的影响，可能有点极端，但用来解释这个问题很合适。数据集：正样本9900个，负样本100个，合计10000个样本点，用来进行二分类研究，如果直接进行建模，可能出现的一种情况是：模型将所有输入都预测为正样本，最终依旧会得到很高（99%）的准确率，而对于负样本的召回率为0，如果只是对模型精度进行判断根本检查不出异常，但这样的模型又是万万不能在实际中应用的。

总结

数据预处理方法多种多样，在不同的业务背景、不同的数据特征下使用的方法也不同，所以最保险的方法就是多了解各种数据预处理方法，然后根据实际的数据特征选择适合的处理方法，这样才能最大程度的发挥数据特征带来的优势。