大数据关键技术——数据预处理

我们在上一篇文章讲到了大数据的采集，当我们从网上采集到了这些数据以后，应该怎么进行下一步的工作呢？

其实现实世界中数据大体上都是不完整，不一致的脏数据，无法直接进行数据挖掘，或挖掘结果差强人意。

为了提高数据挖掘的质量产生了数据预处理技术。

数据预处理

数据预处理有多种方法：数据清理，数据集成，数据变换，数据归约等。

这些数据处理技术在数据挖掘之前使用，大大提高了数据挖掘模式的质量，降低实际挖掘所需要的时间。

数据的预处理是指对所收集数据进行分类或分组前所做的审核、筛选、排序等必要的处理。

为什么要预处理数据？

（1）现实世界的数据是肮脏的（不完整，含噪声，不一致）

（2）没有高质量的数据，就没有高质量的挖掘结果（高质量的决策必须依赖于高质量的数据；数据仓库需要对高质量的数据进行一致地集成）

（3）原始数据中存在的问题：

不完整 缺少属性值或仅仅包含聚集数据

含噪声 包含错误或存在偏离期望的离群值

不一致 用于商品分类的部门编码存在差异

而我们在使用数据过程中对数据有如下要求：

一致性、准确性、完整性、时效性、可信性、可解释性

由于获得的数据规模太过庞大，数据不完整、重复、杂乱，在一个完整的数据挖掘过程中，数据预处理要花费60%左右的时间。

数据预处理的方法

（1）数据清洗—— 去噪声和无关数据

（2）数据集成—— 将多个数据源中的数据结合起来存放在一个一致的数据存储中

（3）数据变换—— 把原始数据转换成为适合数据挖掘的形式

（4）数据规约—— 主要方法包括：数据立方体聚集，维度归约，数据压缩，数值归约，离散化和概念分层等。

大数据预处理步骤

1.数据清洗

2.数据集成

3.数据归约

4.数据变换

5.数据离散化

数据选取参考原则

（1）尽可能富余属性名和属性值明确的含义

（2）统一多数据源的属性编码

（3）去除唯一属性

（4）去除重复属性

（5）去除可忽略字段

（6）合理选择关联字段

（7）进一步处理：

通过填补遗漏数据、消除异常数据、平滑噪声数据，以及纠正不一致数据，去掉数据中的噪音、填充空值、丢失值和处理不一致数据

可能有些小的公司无法自己快速的获取自己的所需的数据进行分析，这就需要到了第三方的数据供给或平台来收集数据。

在这里，为大家介绍一款大数据采集平台——观向数据。

观向数据是一款针对品牌商、零售商的线上运营数据分析系统，汇集全网多平台、多维度数据，形成可视化报表，为企业提供行业分析、渠道监控、数据包等服务，帮助企业品牌发展提供科学化决策。