讲座 | 如何轻松有效地预处理数据

发表于   |   更新于 | 分类于 | | 阅读次数:
字数统计: 3,717

作者：Siraj Raval
课堂：The Best Way to Prepare a Dataset Easily | Bilibili | Youtube
源码：llSourcell.Prepare dataset challenge | Github

本课堂的核心是讲述数据分析前夕的数据预处理过程，包括准备数据阶段和处理数据阶段。再具体以实例：通过大脑扫描公共数据集来建模、分析，预测某人是否在冥想。

更新进度

  • 2018.11.20：重新整理「数据预处理」章节，细化了预处理的细节，且重新整理了预处理的结构；

准备数据

  • 准备数据阶段：决定使用何种数据，这跟你试图解决的问题相关。
  • 关于数据来源：能使用公共数据集解决的问题，尽量使用公共数据集。若公共数据集无法满足你的需求，引用毛主席的老话：没有条件便自己创造条件。即我们通过网络爬虫形式，把原始网页中的数据扒取下来，自己来 “创造” 数据集。

公共数据集

谷歌高级搜索

  • 官方网址：Google 高级搜索
  • 使用方式：顾名思义，即通过高级搜索的限制条件去获得更精确的搜索结果。具体地，我们侧重关注以下检索项，可获得意想不到的效果。
    • 关键字部分：填写问题相关的关键词；
    • 网站或域名：填写 .edu、.gov、.org 等，即为确保数据的权威可靠性，尽可能从教育、政府、组织机构中获取公共数据集；
    • 文件类型：可指定为 csv ( 逗号分隔值 )、xls ( Microsoft Excel ) 等文件类型，Python 对 csv、xls 提供了较好的库支持，为了更便捷进行数据处理，则优先选择此类格式的文件。

Kaggle

  • 官方网址：Kaggle

  • 推荐理由：Kaggle 由 Anthony Goldbloom 创立，主要为开发商和数据科学家提供举办机器学习竞赛、托管数据库、编写和分享代码的平台 ( 与谷歌达成合作关系 )。由此可见：

    • Kaggle 的每个竞赛都是独立的，无需设置项目范围然后收集数据，这让你有时间专注其它技能。

    • Kaggle 的每个数据集都有要解决的现实问题，要面向参与竞赛的人群，让参赛者更容易掌握业务知识和数据集的结构特征，因此数据集的描述是不可缺少的。

      不妨体验下 Kaggle 社区提供的入门案例 泰坦尼克：灾难中的机器学习，其相关的数据集描述：Titanic: Machine Learning from Disaster

  • 入门指南：参考文章 机器之心. Kaggle 如何入门. zhihu.com 整理而得。

    • 选择一种编程语言：你是一个毫无经验的新手，推荐 Python，因这是一种通用编程语言，你可以在整个流程中都使用它。

    • 学习探索数据的基础：加载、浏览和绘制你的数据（即探索性分析）的能力，因为它可以为你将在模型训练过程中做的各种决策提供信息。

      若你选择了 Python 路线，推荐使用专门为这个目的设计的 Seaborn 库。其中有高层面的绘图函数，可以绘制许多最常见和有用的图表。可参考资料：

    • 训练你的第一个机器学习模型：将数据集分成独立的训练集和测试集，交叉验证避免过拟合以及使用合适的表现评价指标。对于 Python，最好的通用机器学习库是 Scikit-Learn。可参考资料：

    • 解决入门级竞赛：Getting Started 竞赛非常适合初学者，因为它们给你提供了低风险的学习环境，并且还有很多社区创造的教程。

      Kaggle 的竞赛分成四个类别：
      Featured：通常是由公司、组织甚至政府赞助的，奖金池最大。
      Research：研究方向的竞赛，只有很少或没有奖金。它们也有非传统的提交流程。
      Recruitment：这些是由想要招聘数据科学家的公司赞助的。目前仍然相对少见。
      Getting Started：这些竞赛的结构和 Featured 竞赛类似，但没有奖金。它们有更简单的数据集、大量教程和滚动的提交窗口让你可以随时输入。

网络爬虫

网站 API

  • 当公共数据集无法满足我们的需求时，则需要自定义采集数据。而采集数据则通过网络爬虫实现。值得注意的是，并不是所有的网页，都需要我们花费大功夫去扒取获得，而是它们本身就提供了调用数据的 API。
  • 当然，也有 Github 大神搜集并整理了较实用的 API：TonnyL. Awesome APIs

网页爬虫

  • Beautiful Soup：Beautiful Soup 是一个可以从 HTML 或 XML 文件中提取数据的 Python 库。
  • Web Magic：Web Magic 是一个简单灵活的 Java 爬虫框架。基于 WebMagic，你可以快速开发出一个高效、易维护的爬虫。

处理数据

  • 为什么要对数据预处理：确保数据质量，以保证预测的结果更精确。而数据质量涉及许多因素，例如准确性、完整性、一致性、可信性和可解释性，针对不同的特性，都有对应的 处理策略。

    注意，数据预处理的主要任务之间存在许多重叠工作，若前面章节有阐述的，后面涉及的则略过。

  • 数据预处理的主要任务：

    • 数据清洗：缺失值处理、光滑噪声数据、识别和删除离群点。

      关于数据清洗，也推荐阅读具有实操意义的一篇博文：TowardsDataScience. How to Handle Missing Data

    • 数据集成：多个数据源的数据合并，存放于同一个数据仓库中。

      • 实体识别问题：来自多个信息源，各数据源中的实体之间如何匹配，这涉及实体识别问题。如不同数据来源于不同数据库中，现实意义上它们是同一实体，但它们属性的元数据表达却不同 ( 如主键 )。
      • 冗余和相关分析：集成多个数据源，数据中可能有多组属性重复存在。而冗余可被相关分析检测到，如针对分类 ( 标称 ) 属性的卡方检验、数值属性的相关系数、数值属性的方差和协方差。
      • 元组重复：元组级检测重复。
    • 数据归约：在尽可能保持数据原貌前提下，最大限度精简数据量。策略包括：
      • 维归约：也称为特征归约，减少所考虑的属性的个数。方法包括：小波变换、主成分分析、属性子集选择等。当然利用冗余和相关分析也是可行的。
      • 数量归约：用替代的、较小的数据集表示形式替换原数据。方法包括：参数的方法，回归和对数线性模型；非参数的方法，聚类、降维、直方图、抽样和数据立方体聚集。

    • 数据变换：主要思想是将数据变换或统一成适合数据挖掘的形式。方法可以是数据归一化、数据离散化、概念分层等。

      • 特征构造：由给定的属性构造新的属性并添加至属性集中。
      • 聚集分解：对数据进行 汇总 或者 聚集。如聚集日销售数据。与之相对的是 分解，如常见的 “日期” 属性，不同的需求，我们要解构的粒度是不同的。如预测当日的气温变化，则我们可把年和月份剔除。
      • 归一化：针对每一个特征 ( 维度 )，去均值和方差归一化。即把属性数据按比例缩放，让所有特征在统一数量级上运作，如此一来数据指标之间就有了可比性。

      • 离散化：把属性值的原始值用区间标签或者概念标签替换，即这些标签可递归地组织成更高层概念，导致数值属性的 概念分层。

        例如，我们 对年龄进行分层：1 to 17 为 Adolescent；18 to 45 为 Adult；46 以上为 Senior。

数据清洗

  • 缺失值处理：某些实例数据中属性值为空，我们通过遍历数据集将其剔除。若数据集中存在大量实例含有缺失值的情况，则我们采用 填补缺失值 的方法。值得注意的是，根据不同情况，填补缺失值有多种方式：

    • 人工填写缺失值。
    • 使用全局常量填充缺失值：N/A 或者 $\infty $。
    • 使用属性的中心度量：若是对称的数据分布，则使用均值；若是倾斜的数据分布，则使用中位数。

    • 使用最可能的值填充缺失值：回归、贝叶斯形式化的推理工具或决策树。

      某些情况下，缺失值并不意味数据有错误。例如在申请信用卡时，要求填写申请人的驾驶执照号，没有的人可填写 “无” 或者不填。

  • 光滑噪声：噪声指数据中存在着错误或异常 ( 偏离期望值 ) 的数据，这些数据对数据的分析造成了干扰。我们可通过 分箱、回归、离群点分析 等噪声光滑技术来消除噪声。

    • 分箱：考察数据的近邻 ( 周围的值 ) 来光滑有序数据值。
    • 回归：用一个函数拟合数据来光滑数据。
    • 离群点分析：五数概括 ( 中位数、四分位数、最大最小观测值 )、箱线图与离群点；或通过聚类来检测离群点。

数据集成

  • 实体识别问题：
    • 问题描述：来自多个信息源，各数据源中的实体之间如何匹配，这涉及实体识别问题。如不同数据来源于不同数据库中，现实意义上它们是同一实体，但它们属性的元数据表达却不同 ( 如主键 )。
    • 解决方法：每个属性的元数据包含名字、含义、数据类型和属性的允许值范围，以及处理空值的空值规则。这样的元数据可帮助我们避免模式集成的错误。
  • 冗余和相关分析：这里讨论的冗余是对应于数据的属性 ( 特征 ) 层面讨论的。
    • 分类 ( 标称 ) 属性的 卡方检验 ( $\chi^2$ )，发现属性 A、B 之间的相关联系。
    • 数值数据的 相关系数：计算属性 A、B 之间的相关系数 ( 又称 Pearson 积矩系数 )，估计这两个属性的相关度。
    • 数值数据的 协方差：协方差和方差是两个类似的度量 ( 方差可理解为协方差的特殊形式 )，其作用是评述两个属性如何一起变化。

数据归约

  • 维归约：也称为特征归约，减少所考虑的属性的个数。

    • 通俗理解：即从原有的特征中删除不重要或不相关的特征。比如，某些实例数据中属性值与所研究的问题无关，我们可以选择性地剔除。

      本课堂实例中，是预测志愿者是否在冥想。而相关数据集呈现三种特征：精神专注度、冷静度以及志愿者的年龄。而志愿者是否发生冥想活动，很明显与性别无关，则可选择性地剔除该属性。

    • 方法包括：小波变换、主成分分析、属性子集选择等。当然利用冗余和相关分析也是可行的。

  • 数量规约：用替代的、较小的数据表示形式替换原数据。

    • 通俗理解：即通过对特征进行重组来减少特征的个数。比如，某些实例数据中属性 ( 维度 ) 太多，我们人类大脑是难以理解它的，则我们可通过降维方法以及可视化工具，以二维或者三维的的形式复现数据 ( 的特征 )。
    • 方法包括：参数的方法，回归和对数线性模型；非参数的方法，聚类、降维、直方图、抽样和数据立方体聚集。

数据变换

  • 归一化：针对每一个特征 ( 维度 )，去均值和方差归一化。即把属性数据按比例缩放，让所有特征在统一数量级上运作，如此一来数据指标之间就有了可比性。
  • 离散化：把值用区间标签或者概念标签替换，即这些标签可递归地组织成更高层概念，导致数值属性的 概念分层。
    • 数值属性：在实际操作中，即把连续型特征的值离散化，使之成为少量的区间，每个区间映射到一个离散符号。这种技术的好处在于简化了数据描述，并易于理解数据和最终的挖掘结果。
    • 标称 (分类) 属性：标称属性具有有穷多个不同值，且值之间无序。例如地位位置、年龄层次等。对于标称属性，我们需要人工定义概念分层。

  • 向量化：当我们已基本完成数据处理阶段的工作，得到可供使用的数据集。那么紧接着的步骤，即把实例数据转换成 特征向量 ( 向量是特征的数值表示形式 )，所有实例的特征向量组成 特征矩阵。然后，在 Python 中通过 Numpy 和 Pandas 包装，即实际上让 narray 数组成为特征矩阵的存储和运算的媒介。

    当完成以上流程后，数据预处理阶段即可告一段落，紧接着便可开始开始训练模型了。

    由于篇幅的缘故，数据预处理的讨论暂到此为止。当然，数据预处理的内容不仅如此，更详细的理论细节可参详 Jiewei Han 的《数据挖掘：概念与技术》$^{[1]}$。 而数据预处理在 Python 中如何实现，则参考 Keras 之父弗朗索瓦·肖莱的 《Python深度学习》$^{[2]}$。

参考资料