课堂 | 如何轻松有效地预处理数据

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分析、建模,预测某人是否在冥想。

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: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
  • 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。
    • 数据归约:特征归约 ( 维归约 )、特征值归约 ( 概念分层 )。
    • 数据变换:方法可以是数据归约、也可以分解数据,主要思想是将数据变换或统一成适合数据挖掘的形式。

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、贝叶斯形式化的基于推理的工具或决策树。

      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: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:通过聚类来检测离群点。

数据归约

  • 特征归约:从原有的特征中删除不重要或不相关的特征,或者通过对特征进行重组来减少特征的个数。例如,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。

    例如本课堂的实例:预测志愿者是否在冥想。大脑扫描数据是由 EEG 采集而得的,其呈现三种特征: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。

  • 特征值归约:特征值离散化技术,也称为 概念分层。将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。

数据变换

  • 数据变换,可以是数据归约、也可以分解数据,主要思想是将数据变换或统一成适合数据挖掘的形式。而数据变换章节中,涉及了非常多的方法和技术,篇幅有限,详细内容可参详 Jiewei Han 的《数据挖掘:概念与技术》$^{[1]}$。
  • 假设我们已完成 数据处理 的阶段,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。
  • 那么,数据预处理阶段即可告一段落,紧接着便可开始训练模型了。

参考资料

[1] Jiewei Han, Micheline Kamber and Jian Pei. 数据挖掘 (第三版) [M]. 机械工业出版社, 2018, 48-49.