数据预处理的方法有哪些？

Posted 2023-03-30 我想去吃ya

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了数据预处理的方法有哪些？相关的知识，希望对你有一定的参考价值。

数据处理的工作时间占据了整个数据分析项目的70%以上。因此，数据的质量直接决定了分析模型的准确性。那么，数据预处理的方法有哪些呢？比如数据清洗、数据集成、数据规约、数据变换等，其中最常用到的是数据清洗与数据集成，下面小编将来详细介绍一下这2种方法。

1、数据清洗

数据清洗是通过填补缺失值，平滑或删除离群点，纠正数据的不一致来达到清洗的目的。简单来说，就是把数据里面哪些缺胳膊腿的数据、有问题的数据给处理掉。总的来讲，数据清洗是一项繁重的任务，需要根据数据的准确性、完整性、一致性、时效性、可信性和解释性来考察数据，从而得到标准的、干净的、连续的数据。

（1）缺失值处理

实际获取信息和数据的过程中，会存在各类的原因导致数据丢失和空缺。针对这些缺失值，会基于变量的分布特性和变量的重要性采用不同的方法。若变量的缺失率较高（大于80%），覆盖率较低，且重要性较低，可以直接将变量删除，这种方法被称为删除变量；若缺失率较低（小于95%）且重要性较低，则根据数据分布的情况用基本统计量填充（最大值、最小值、均值、中位数、众数）进行填充，这种方法被称为缺失值填充。对于缺失的数据，一般根据缺失率来决定“删”还是“补”。

（2）离群点处理

离群点（异常值）是数据分布的常态，处于特定分布区域或范围之外的数据通常被定义为异常或噪声。我们常用的方法是删除离群点。

（3）不一致数据处理

实际数据生产过程中，由于一些人为因素或者其他原因，记录的数据可能存在不一致的情况，需要对这些不一致数据在分析前进行清理。例如，数据输入时的错误可通过和原始记录对比进行更正，知识工程工具也可以用来检测违反规则的数据。

2、数据集成

随着大数据的出现，我们的数据源越来越多，数据分析任务多半涉及将多个数据源数据进行合并。数据集成是指将多个数据源中的数据结合、进行一致存放的数据存储，这些源可能包括多个数据库或数据文件。在数据集成的过程中，会遇到一些问题，比如表述不一致，数据冗余等，针对不同的问题，下面简单介绍一下该如何处理。

（1）实体识别问题

在匹配来自多个不同信息源的现实世界实体时，如果两个不同数据库中的不同字段名指向同一实体，数据分析者或计算机需要把两个字段名改为一致，避免模式集成时产生的错误。

（2）冗余问题

冗余是在数据集成中常见的一个问题，如果一个属性能由另一个或另一组属性“导出”，则此属性可能是冗余的。

（3）数据值的冲突和处理

不同数据源，在统一合并时，需要保持规范化，如果遇到有重复的，要去重。

本文介绍了两种最常见的数据预处理方法，实际操作中，我们拿到的数据可能包含了大量的缺失值、异常点等，非常不利于数据分析。这时需要我们对脏数据进行预处理，得到标准的、干净的、连续的数据，提供给数据分析、数据挖掘等使用。希望大家通过本文能对数据预处理有一个简单的了解，在数据处理时，能根据具体遇到的问题采取相应的方法。

猎聘大数据研究院发布了《2022未来人才就业趋势报告》

从排名来看，2022年1-4月各行业中高端人才平均年薪来看，人工智能行业中高端人才平均年薪最高，为31.04万元；金融行业中高端人才以27.69万元的平均年薪位居第二；通信、大数据行业中高端人才平均年薪分别为27.51万元、25.23万元，位列第三、第四；IT/互联网行业中高端人才平均年薪23.02万元，位列第七。

图表来源：《2022未来人才就业趋势报告》

如果你觉得很高，被平均了这样？那么打开Boss直聘，搜大数据工程师：

我们来做下数据分析：

薪资那一列都有一个最低薪资和最高薪资，我们通过不同城市来对比分析一下，发现北京的工资水平最高，最低为22k，最高为38k。

工作年限也是一个制约工资水平的很大因素，从图中可以看出，即使是刚毕业，也能达到一个11-20k的薪资范围。

而学历要求来说，大部分为本科，其次为大专和硕士，其他比较少，以至于在图中并没有显示出来。
企业对不同岗位的要求以3-5年的居多，企业当然是需要有一定工作经验的员工，但是在实际招聘中，如果你有项目经验，且理论知识没问题，企业也会放宽条件。

分析不同行业，我们发现，大数据岗位需求分布在各行各业，主要还是在计算机软件和互联网最多，也有可能是这个招聘软件决定的，毕竟Boss直聘还是以互联网行业为主。

来看看哪些公司在招聘大数据相关岗位，从这个超过15的数量来看，华为，腾讯，阿里，字节，这些大厂对这个岗位的需求量还是很大的。

那么这些岗位都需要什么技能呢？Spark，Hadoop，数据仓库，Python，SQL，Mapreduce，Hbase等等

根据国内的发展形势，大数据未来的发展前景会非常好。自 2018 年企业纷纷开始数字化转型，一二线城市对大数据领域的人才需求非常强烈，未来几年，三四线城市的人才需求也会大增。

在大数据领域，国内发展的比较晚，从 2016 年开始，仅有 200 多所大学开设了大数据相关的专业，也就是说 2020 年第一批毕业生才刚刚步入社会，我国市场环境处于急需大数据人才但人才不足的阶段，所以未来大数据领域会有很多的就业机遇。
薪资高、缺口大，自然成为职场人的“薪”选择！

任何学习过程都需要一个科学合理的学习路线，才能够有条不紊的完成我们的学习目标。Python+大数据所需学习的内容纷繁复杂，难度较大，为大家整理了一个全面的Python+大数据学习路线图，帮大家理清思路，攻破难关！

Python+大数据学习路线图详细介绍

第一阶段大数据开发入门

学前导读：从传统关系型数据库入手，掌握数据迁移工具、BI数据可视化工具、SQL，对后续学习打下坚实基础。

1.大数据数据开发基础MySQL8.0从入门到精通

mysql是整个IT基础课程，SQL贯穿整个IT人生，俗话说，SQL写的好，工作随便找。本课程从零到高阶全面讲解MySQL8.0，学习本课程之后可以具备基本开发所需的SQL水平。

第二阶段大数据核心基础

学前导读：学习Linux、Hadoop、Hive，掌握大数据基础技术。

2022版大数据Hadoop入门教程
Hadoop离线是大数据生态圈的核心与基石，是整个大数据开发的入门，是为后期的Spark、Flink打下坚实基础的课程。掌握课程三部分内容：Linux、Hadoop、Hive，就可以独立的基于数据仓库实现离线数据分析的可视化报表开发。

第三阶段千亿级数仓技术

学前导读：本阶段课程以真实项目为驱动，学习离线数仓技术。

数据离线数据仓库，企业级在线教育项目实战（Hive数仓项目完整流程）
本课程会、建立集团数据仓库，统一集团数据中心，把分散的业务数据集中存储和处理；目从需求调研、设计、版本控制、研发、测试到落地上线，涵盖了项目的完整工序；掘分析海量用户行为数据，定制多维数据集合，形成数据集市，供各个场景主题使用。

大数据项目实战教程_大数据企业级离线数据仓库，在线教育项目实战（Hive数仓项目完整流程）

第四阶段 PB内存计算

学前导读：Spark官方已经在自己首页中将Python作为第一语言，在3.2版本的更新中，高亮提示内置捆绑Pandas；课程完全顺应技术社区和招聘岗位需求的趋势，全网首家加入Python on Spark的内容。

1.python入门到精通（19天全）

python基础学习课程，从搭建环境。判断语句，再到基础的数据类型，之后对函数进行学习掌握，熟悉文件操作，初步构建面向对象的编程思想，最后以一个案例带领同学进入python的编程殿堂。

全套Python教程_Python基础入门视频教程，零基础小白自学Python必备教程

2.python编程进阶从零到搭建网站

学完本课程会掌握Python高级语法、多任务编程以及网络编程。

Python高级语法进阶教程_python多任务及网络编程，从零搭建网站全套教程

3.spark3.2从基础到精通

Spark是大数据体系的明星产品，是一款高性能的分布式内存迭代计算框架，可以处理海量规模的数据。本课程基于Python语言学习Spark3.2开发，课程的讲解注重理论联系实际，高效快捷，深入浅出，让初学者也能快速掌握。让有经验的工程师也能有所收获。

Spark全套视频教程，大数据spark3.2从基础到精通，全网首套基于Python语言的spark教程

4.大数据Hive+Spark离线数仓工业项目实战

通过大数据技术架构，解决工业物联网制造行业的数据存储和分析、可视化、个性化推荐问题。一站制造项目主要基于Hive数仓分层来存储各个业务指标数据，基于sparkSQL做数据分析。核心业务涉及运营商、呼叫中心、工单、油站、仓储物料。

全网首次披露大数据Spark离线数仓工业项目实战，Hive+Spark构建企业级大数据平台