「广州CDA数据分析师」-深耕数据人才教育15年，致力于打造数据人才全方位学习平台，汇聚优质学习资源，助力数据人才找到好工作。开设的课程有：数据分析培训，业务数据赋能，商业策略分析，精益数据挖掘，python机器学习等。CDA秉承着总结凝练先进的商业数据分析实践为使命，明晰各类数据分析从业者的知识体系为职责，旨在加强范围内化、科学化、专业化的大数据及数据分析人才队伍建设，进一步提升数据分析师的职业素养与能力水平，促进数据分析行业的高质量持续发展。

　　数据预处理的方法有哪些

　　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（较大值、较小值、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。