数据采集及预处理

缺乏、安全感 2022-07-24 07:23 281阅读 0赞

# 版权说明：内容来自互联网及书籍    #

# 一、数据采集方法 #

## 1.数据来源 ##

一手数据：数据的直接来源。

二手数据：数据的间接来源。内部来源：比如财务报表，包括会计计算，成本资料等。外部来源：比如各类统计年鉴等，调查机构发布的数据等。

![Center][]

## 2. 抽样方法 ##

### 1. 分类 ###

![Center 1][]

![Center 2][]

按照样本抽取方式不同分为：有放回抽样，无放回抽样

### 2.非概率抽样 ###

![Center 3][]

### 3. 概率抽样方法分类 ###

概率抽样主要分为 简单随机抽样， 系统抽样， 分类抽样， 整群抽样， 多阶段抽样... 现实生活中绝大多数 抽样调查都采用概率抽样方法来抽取样本。

![Center 4][]

![Center 5][]

![Center 6][]

![Center 7][]

![Center 8][]

### 4.简单随机抽样的样本量 ###

![Center 9][]

![Center 10][]

# 二、市场调研 #

市场调研：对营销决策相关的数据进行计划、收集和分析，并把分析结果向管理者沟通的过程。

## 1. 市场调研的过程 ##

1. 不同的营销调研目标（识别问题、需要什么信息）

2. 生成调研设计（描述性研究、还是因果性研究）

3. 选择调研方法（调查法、实验法、观察法）

4. 选择抽样方法

5. 收集数据

6. 分析数据

7. 撰写并提交报告

8. 跟踪

## 2. 调查问卷 ##

### 1.问卷分类 ###

（1）结构型问卷：封闭式问卷、开放式问卷、半封闭式问卷

（2）非结构型问卷： 事先不准备表格、提问方式和标准化的备选答案，只是按照调查放向和询问内容，和被调查者自由交谈的问卷。

### 2. 封闭式和开放式问卷 ###

![Center 11][]

![Center 12][]

### 3. 问卷设计原则 ###

目的性原则

顺序性原则

简明性原则

匹配性原则

可接受原则

### 4. 问题的类型 ###

![Center 13][]

### 5. 问卷编码 ###

各色各样的问卷题目的类型大致可以分为单选、多选、排序、开放题目四种类型，他们的变量的定义和处理的方法各有不同，我们详细举例介绍如下：  
**1 单选题：答案只能有一个选项**  
　例一 当前贵组织机构是否设有面向组织的职业生涯规划系统？  
　　A有 B 正在开创 C没有 D曾经有过但已中断  
编码：只定义一个变量，Value值1、2、3、4分别代表A、B、C、D 四个选项。  
录入：录入选项对应值，如选C则录入3

**2 多选题：答案可以有多个选项，其中又有项数不定多选和项数定多选。  
（1）方法一（二分法）**：  
　例二 贵处的职业生涯规划系统工作涵盖哪些组群？画钩时请把所有提示考虑在内。  
　　A月薪员工 B日薪员工 C钟点工  
编码：把每一个相应选项定义为一个变量，每一个变量Value值均如下定义：“0” 未选，“1” 选。  
录入：被调查者选了的选项录入1、没选录入0，如选择被调查者选AC，则三个变量分别录入为1、0、1。  
　**（2）方法二：**  
　例三你认为开展保持党员先进性教育活动的最重要的目标是那三项：  
　　1（ ） 2 （ ） 3（ ）  
　　A、提高党员素质  
　　A、提高党员素质 B、加强基层组织 C、坚持发扬民主  
　　D、激发创业热情 E、服务人民群众 F、促进各项工作  
　　D、激发创业热情 E、服务人民群众 F、促进各项工作  
编码：定义三个变量分别代表题目中的1、2、3三个括号，三个变量Value值均同样的以对应的选项定义，即：“1” A，“2” B，“3” C，“4” D，“5” E，“6” F  
录入：录入的数值1、2、3、4、5、6分别代表选项ABCDEF，相应录入到每个括号对应的变量下。如被调查者三个括号分别选ACF，则在三个变量下分别录入1、3、6。  
［注：能用方法二编码的多选题也能用方法编码，但是项数不定的多选只能用二分法，即方法一是多选题一般处理方法。］

**3 排序题： 对选项重要性进行排序**  
　　例四 您购买商品时在 ①品牌 ②流行 ③质量 ④实用 ⑤价格 中对它们的关注程度先后顺序是（请填代号重新排列）  
　　第一位 第二位 第三位 第四位  
　　第一位 第二位 第三位 第四位 第五位  
  
编码：定义五个变量，分别可以代表第一位 第五位，每个变量的Value都做如下定义：“1” 品牌，“2” 流行，“3” 质量，“4” 实用，“5” 价格  
录入：录入的数字1、2、3、4、5分别代表五个选项，如被调查者把质量排在第一位则在代表第一位的变量下输入“3“。

**4 选择排序题：**  
　　例五 把例三中的问题改为“你认为开展保持党员先进性教育活动的最重的目标是那三项，并按重要性从高到低排序”，选项不变。  
编码：以ABCDEF6个选项分别对应定义6个变量，每个变量的Value都做同样的如下定义：“1” 未选，“2” 排第一，“3” 排第二，“4” 排第三。  
录入：以变量的Value值录入。比如三个括号里分别选的是 ECF，则该题的6个变量的值应该分别录入：1（代表A选项未选）、1、 3（代表C选项排在第二）、1、2、4。  
［注：该方法是对多选题和排序题的方法结合的一种方法，对一般排序题（例四）也同样适用，只是两者用的分析方法不同（例四用频数分析、例五用描述分析），输出结果从不同的侧面反映问题的重要性（前一种方法从位次从变量的频数看排序，后一种方法从变量出发看排序）。］

**5 开放性数值题和量表题：**这类题目要求被调查者自己填入数值，或者打分  
例六 你的年龄（实岁）：\_\_\_\_\_\_  
编码：一个变量，不定义Value值  
录入：即录入被调查者实际填入的数值。

**6开放性文字题：**  
　　如果可能的话可以按照含义相似的答案进行编码，转换成为封闭式选项进行分析。如果答案内容较为丰富、不容易归类的，应对这类问题直接做定性分析。

# 三、数据预处理方法 #

## 1. 数据预处理的基本步骤 ##

（1）数据清洗 —— 去噪声和无关数据

（2）数据集成 —— 将多个数据源中的数据结合起来存放在一个一致的数据存储中

（3）数据变换 —— 把原始数据转换成为适合数据挖掘的形式

（4）数据规约 —— 主要方法包括：数据立方体聚集，维度归约，数据压缩，数值归约，离散化和概念分层等。

## 2. 数据清洗 ##

(1)处理缺失值

![Center 14][]

（2）平滑噪声值

BIN方法（分箱）：通过考察邻近值，来光滑有序数据的值

聚类方法

（3）识别和处理异常值

异常值outlier：指样本中的个别值，其数值明显偏离它（或他们）所属样本的其余观测值,也称异常数据，离群值

**识别方法：**

![Center 15][]

![Center 16][]

![Center 17][]

![Center 18][]

![Center 19][]

![Center 20][]

**处理方法：**盖帽法

（4）解决不一致问题

## 3. 数据集成 ##

（1）、实体识别问题

数据分析多半涉及数据集成。数据集成将多个数据源中的数据合并，存放那个在一个一致的数据存储中，如存放在数据仓库中。这些数据源可能包括多个[数据库][Link 1]、数据立方体或一般文件。

自数据集成时，有许多问题需要考虑。模式集成和对象匹配可能需要技巧。来自多个信息源的现实世界的等价实体如何才能“匹配”？这涉及实体识别问题。例如，数据分析者或者计算机如何才能确定一个数据库的customer\_id与另一个数据库中的cust\_number指的是相同的属性呢 ？每个属性的元数据包括名字、含义、数据类型和属性的允许取值范围，以及处理空白、零或NULL值得空值规则。这样的元数据可以用来帮助避免模式集成的错误。元数据还可以用于变换数据(例如，pay\_type的数据编码在一个数据库中可以是“H”和“S”，而在另一个数据库中是1和2)。因此，这一步也与前面介绍的[数据清理][Link 2]有关。

在集成期间，当一个数据库的属性和另一个数据库的属性匹配时，必须特别注意数据的结构。这旨在确保源系统中的函数和参考约束与目标系统中的匹配。例如，在一个系统中，discount可以用于订单，而在另外一个系统中，它被用于订单内的商品。如果在集成之前未发现，则目标系统中的商品可能被不正确地打折。

（2）、冗余和相关分析

冗余是数据集成的另一个重要问题。一个属性(例如，年收入)如果能由另一个或另一组属性”导出”，则这个属性可能是冗余的。属性或维命名的不一致可能导致结果数据集中的冗余。

有些冗余可以被相关分析检测到。给定两个属性，这种分析可以根据可用的数据，度量一个属性能在多大程度上蕴涵另一个。对于标称数据，我们使用x^2（卡方）检测。对于数值属性，我们使用相关系数(correlation coefficient)和协方差(covariance)，他们都评估一个属性的值如何随另一个变化。

（3）、元组重复

除了检测属性间的冗余外，还应当在元组级检测重复。去规范表是数据冗余的另一个来源。不一致通常出现在各种不同的副本之间，由于不正确的数据输入，或者由于更新了数据库的某些地方，但未更新所有的。

## 4. 数据变换 ##

（1）数据的泛化和聚集

（2）数据标准化：最大最小规范 z-score规范 小数定标

min-max标准化(Min-max normalization)

也叫离差标准化，是对原始数据的线性变换，使结果落到\[0,1\]区间，转换函数如下：

[![\[转载\]\[数据预处理\]常用数据标准化方法][6ce00d7bga7c7e14811fb_690]][6ce00d7bga7c7e14811fb_690 1]

其中max为样本数据的最大值，min为样本数据的最小值。这种方法有一个缺陷就是当有新数据加入时，可能导致max和min的变化，需要重新定义。

z-score 标准化(zero-mean normalization)

也叫标准差标准化，经过处理的数据符合标准正态分布，即均值为0，标准差为1，其转化函数为：

[![\[转载\]\[数据预处理\]常用数据标准化方法][6ce00d7bga7c7e35fb8ab_690]][6ce00d7bga7c7e35fb8ab_690 1]

其中μ为所有样本数据的均值，σ为所有样本数据的标准差。

## 5. 数据消减 ##

（1）维数消减：主成分分析，变量聚类分析

（2）离散化（连续）

（3）分类重组（离散）

[Center]: /images/20220722/b66a63e47ffa4b84b330ac71039ae5de.png
[Center 1]: /images/20220722/15d82f9daf0a43a2b7f141e7e5925a18.png
[Center 2]: /images/20220722/ab75db893847466eaefceab905276e15.png
[Center 3]: /images/20220722/550076e2ce5f4463bc93629d1392d959.png
[Center 4]: /images/20220722/bea0e6cb3fb1456084f8d823706187db.png
[Center 5]: /images/20220722/9da126047034486391aa65aff48310be.png
[Center 6]: /images/20220722/9f1f3378e524464f9e05444654bf1dbc.png
[Center 7]: /images/20220722/8952d75c2fab4f099503d85c36cecff3.png
[Center 8]: /images/20220722/a9124a23c2f84b6ea293cf4cbcb10f97.png
[Center 9]: /images/20220722/806e03ee72c5467f90309e71fc1ad56a.png
[Center 10]: /images/20220722/cc288f38753d400baedd54415dca23fb.png
[Center 11]: /images/20220722/21d0d7941b084347bee37bc9a070c1cd.png
[Center 12]: /images/20220722/5b6280ea091844f0b7caf41d1117a204.png
[Center 13]: /images/20220722/f6d66a281f374f0399e985db6fb21965.png
[Center 14]: /images/20220722/115e6818688144c0b6532b7c960c4e5c.png
[Center 15]: /images/20220722/2d975387eef84e9699a278da0e23f389.png
[Center 16]: /images/20220722/8aad3bf957d2478fbc0d1e3c3f34e381.png
[Center 17]: /images/20220722/db069147e9c4460fbb38b5c334364769.png
[Center 18]: /images/20220722/376a05822a994bed96728c75569c4d8a.png
[Center 19]: /images/20220722/a1a4f1a92a2c4716906051abbff5abae.png
[Center 20]: /images/20220722/e73cb64419444d0c8523a5902e90f90b.png
[Link 1]: http://lib.csdn.net/base/14
[Link 2]: http://blog.csdn.net/redaihanyu/article/details/50211117
[6ce00d7bga7c7e14811fb_690]: http://s12.sinaimg.cn/middle/6ce00d7bga7c7e14811fb&690
[6ce00d7bga7c7e14811fb_690 1]: /images/20220722/e53198c9c24f4086a608d2c3a3b66ba5.png
[6ce00d7bga7c7e35fb8ab_690]: http://s12.sinaimg.cn/middle/6ce00d7bga7c7e35fb8ab&690
[6ce00d7bga7c7e35fb8ab_690 1]: /images/20220722/0dfdf208c0d342968bc2b76f48efc432.png