数据清洗工作中面对的对象有三个——异常值,缺失值和重复值。而每个肮脏数据都是有各自的清洗方法,尤其是异常值的方法是最多的。由此可见,数据中的异常值是有很多的,在上一篇文章中我们给大家介绍了关于清洗异常值的一些方法,在这篇文章中我们会继续为大家介绍异常值的清洗。
第一我们给大家介绍的是基于模型检测,具体操作就是先建立一个数据模型,异常是那些同模型不能完美拟合的对象;如果模型是簇的集合,则异常是不显著属于任何簇的对象;在使用回归模型时,异常是相对远离预测值的对象。而这个方法的优点就是有坚实的统计学理论基础,当存在充分的数据和所用的检验类型的知识时,这些检验可能非常有效,当然,缺点就是对于多元数据,可用的选择少一些,并且对于高维数据,这些检测可能性很差。
第二就是基于距离检测,通常可以在对象之间定义邻近性度量,异常对象是那些远离其他对象的对象。这种方法的优点就是简单。缺点就是基于邻近度的方法需要O(m2)时间,大数据集不适用。当然该方法对参数的选择也是敏感的。同时不能处理具有不同密度区域的数据集,因为它使用全局阈值,不能考虑这种密度的变化。
第三就就是基于密度,当一个点的局部密度显著低于它的大部分近邻时才将其分类为离群点。适合非均匀分布的数据。这种方法的优点就是给出了对象是离群点的定量度量,并且即使数据具有不同的区域也能够很好的处理,同时与基于距离的方法一样,这些方法必然具有O(m2)的时间复杂度。对于低维数据使用特定的数据结构可以达到O(mlogm)。而缺点就是参数选择困难。虽然算法通过观察不同的k值,取得最大离群点得分来处理该问题,但是,仍然需要选择这些值的上下界。
最后就是基于聚类,一个对象是基于聚类的离群点,如果该对象不强属于任何簇。离群点对初始聚类的影响如果通过聚类检测离群点,则由于离群点影响聚类,存在一个问题:结构是否有效。优点就是基于线性和接近线性复杂度(k均值)的聚类技术来发现离群点可能是高度有效的,而簇的定义通常是离群点的补,因此可能同时发现簇和离群点。缺点就是产生的离群点集和它们的得分可能非常依赖所用的簇的个数和数据中离群点的存在性。同时聚类算法产生的簇的质量对该算法产生的离群点的质量影响非常大。
在这篇文章中我们给大家介绍了关于数据清洗的剩余一部分知识,通过对这些知识的了解可以帮助我们更好地理解数据分析工作。希望大家通过对这些数据分析清洗方法的学习,可以在工作时更加得心应手,也算是提升个人的职场竞争力。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在当今数字化时代,数据分析师的重要性与日俱增。但许多人在踏上这条职业道路时,往往充满疑惑: 如何成为一名数据分析师?成为 ...
2025-04-02最近我发现一个绝招,用DeepSeek AI处理Excel数据简直太爽了!处理速度嘎嘎快! 平常一整天的表格处理工作,现在只要三步就能搞 ...
2025-04-01你是否被统计学复杂的理论和晦涩的公式劝退过?别担心,“山有木兮:统计学极简入门(Python)” 将为你一一化解这些难题。课程 ...
2025-03-31在电商、零售、甚至内容付费业务中,你真的了解你的客户吗? 有些客户下了一两次单就消失了,有些人每个月都回购,有些人曾经是 ...
2025-03-31在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的需求持续飙升。世界经济论坛发布的《未来就业报告》, ...
2025-03-28你有没有遇到过这样的情况?流量进来了,转化率却不高,辛辛苦苦拉来的用户,最后大部分都悄无声息地离开了,这时候漏斗分析就非 ...
2025-03-27TensorFlow Datasets(TFDS)是一个用于下载、管理和预处理机器学习数据集的库。它提供了易于使用的API,允许用户从现有集合中 ...
2025-03-26"不谋全局者,不足谋一域。"在数据驱动的商业时代,战略级数据分析能力已成为职场核心竞争力。《CDA二级教材:商业策略数据分析 ...
2025-03-26当你在某宝刷到【猜你喜欢】时,当抖音精准推来你的梦中情猫时,当美团外卖弹窗刚好是你想吃的火锅店…… 恭喜你,你正在被用户 ...
2025-03-26当面试官问起随机森林时,他到底在考察什么? ""请解释随机森林的原理""——这是数据分析岗位面试中的经典问题。但你可能不知道 ...
2025-03-25在数字化浪潮席卷的当下,数据俨然成为企业的命脉,贯穿于业务运作的各个环节。从线上到线下,从平台的交易数据,到门店的运营 ...
2025-03-25在互联网和移动应用领域,DAU(日活跃用户数)是一个耳熟能详的指标。无论是产品经理、运营,还是数据分析师,DAU都是衡量产品 ...
2025-03-24ABtest做的好,产品优化效果差不了!可见ABtest在评估优化策略的效果方面地位还是很高的,那么如何在业务中应用ABtest? 结合企业 ...
2025-03-21在企业数据分析中,指标体系是至关重要的工具。不仅帮助企业统一数据标准、提升数据质量,还能为业务决策提供有力支持。本文将围 ...
2025-03-20解锁数据分析师高薪密码,CDA 脱产就业班助你逆袭! 在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的 ...
2025-03-19在 MySQL 数据库中,查询一张表但是不包含某个字段可以通过以下两种方法实现:使用 SELECT 子句以明确指定想要的字段,或者使 ...
2025-03-17在当今数字化时代,数据成为企业发展的关键驱动力,而用户画像作为数据分析的重要成果,改变了企业理解用户、开展业务的方式。无 ...
2025-03-172025年是智能体(AI Agent)的元年,大模型和智能体的发展比较迅猛。感觉年初的deepseek刚火没多久,这几天Manus又成为媒体头条 ...
2025-03-14以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-13以下的文章内容来源于刘静老师的专栏,如果您想阅读专栏《10大业务分析模型突破业务瓶颈》,点击下方链接 https://edu.cda.cn/go ...
2025-03-12