大数据建模流程之数据处理[通俗易懂]

大家好，又见面了，我是你们的朋友全栈君。

原文链接
数据是建模的基础，也是研究事物发展规律的材料。数据本身的可信度和处理的方式将直接决定模型的天花板在何处。一个太过杂乱的数据，无论用多么精炼的模型都无法解决数据的本质问题，也就造成了模型的效果不理想的效果。这也是我们目前所要攻克的壁垒。但是，目前我们市场对的数据或者科研的数据并不是完全杂乱无章的，基本都是有规律可循的，因此，用模型算法去进行科学的分析，可以主观情绪对决策的影响。所以数据是非常重要的一部分。那么，接下来我们就详细说一下数据的处理与分析。
一.数据的基本特征
当看到数据的时候，首要做的并不是进行清洗或者特征工程，而是要观察数据所呈现的基本状态，以及进行数据与任务的匹配，这就需要我们之前所提到的业务常识与数据敏感度的能力了，只有数据完整的分析完整，才能够更为精准的做符合需求的特征工程（数据处理）的工作。数据的基本特征分析主要从以下几个方面进行：

1.确定类型：数据集的类型包括文本，音频，视频，图像，数值等多种形式交织而成，但是传入模型中的都是以数值形式呈现的，所以确定数据的类型，才可以确定用什么方法进行量化处理。
2.验证可靠度：由于数据的收集的方式不尽相同，数据来源的途径多种多样。所以数据的可信度判断也显得尤为重要。而数据可靠性校验得方法非常多。例如：根据收集途径判断，如果调查问卷也可根据问卷设计得可靠度进行判断，当然转化为数值后也可辅助一些模型进行精细校验等。采用何种方式，取决于获取数据得方式，数据类型以及项目得需求。
3.样本定义：需要确定样本得对应得每一个特征属性的内容是什么。例如：样本的容量，样本的具体内容，样本所包含的基本信息等。
4.任务匹配：在任务分析中我们把项目拆分成了小的子问题，这些问题有分类，回归，关联关系等。也就是每个问题的所达成的目标是不一样的，那么我们要从数据集中筛选出符合子问题的数据，也就是选好解决问题的原料，很多情况下是靠你的数据敏感度和业务常识进行判断的。
5.数据集的划分：由于模型搭建完成之后有一个训练与验证评估的过程，而目前最为简单的一种验证手段就是就是交叉验证，因此我们需要将数据集拆分成训练集和测试集，这一步仅仅确定训练集和测试集的比例关系，例如：70%的数据用于训练，30%的数据用于测试。

二. 数据的清洗与处理
数据的清洗是一件非常繁琐且耗费时间的事情，基本可以占到一个工程的30%到50%的时间。并且数据的清洗很难有规律可循，基本上依托于你对数据的基本分析与数据敏感度。当然，当你看的数据够多，数据的清洗的经验也就越多，会为你今后哦搭建模型提供很多遍历，我们这里提供一些常见的清洗的点。

A. 数据的预处理：
1.由于数据的来源大多数是来源于多个途径，因此需要对数据进行合并；
2.选择数据处理工具：数据库或者python，spss等。
3.通过人工的方式去观察数据可能出现的问题。
B.清洗异常样本数据
清洗异常数据样本需要考虑到方方面面，通常情况下我们从以下方面：
1.处理格式或者内容错误：
首先，观察时间，日期，数值等是否出现格式不一致，进行修改整理；其次，注意开头，或者中间部分是否存在异常值；最后，看字段和内容是否一致。例如，姓名的内容是男，女。
2.逻辑错误清洗：
去重：通常我们收集的数据集中有一些数据是重复的，重复的数据会直接影响我们模型的结果，因此需要进行去重操作；
去除或者替换不合理的值：例如年龄突然某一个值是-1，这就属于不合理值，可用正常值进行替换或者去除；
修改矛盾内容:例如身份证号是91年的，年龄35岁，显然不合理，进行修改或者删除。
3.去除不要的数据：根据业务需求和业务常识去掉不需要的字段
4.关联性错误验证：由于数据来源是多个途径，所以存在一个id，进行不同的数据收集，可通过，id或者姓名进行匹配合并。

C.数据不平衡处理：改问题主要出现在分类模型中，由于正例与负例之间样本数量差别较大，造成分类结果样本量比较少的类别会大部分分错。因此需要进行数据不平衡处理。常用的方法有：上采样，下采样，数据权重复制，异常点检测等。不在一一阐述了。