机器学习:数据清洗及工具OpenRefine

  数据分析中,首先要进行数据清洗,才可以继续训练模型,预测等操作。

  首先介绍一下什么是数据清洗(定义来自 百度百科,有删减)

  数据清洗从名字上也看的出就是把“脏”的“洗掉”,指发现并纠正数据文件中可识别的错误的最后一道程序,包括检查数据一致性,处理无效值和缺失值等。我们要按照一定的规则把“脏数据”“洗掉”,这就是数据清洗。而数据清洗的任务是过滤那些不符合要求的数据,过滤。不符合要求的数据主要是有不完整的数据、错误的数据、重复的数据三大类。

  残缺数据:通过算法KNN,回归,判定树分析,填补上残缺的数据。

  错误数据:主要是噪声数据。通过聚类,回归,分箱等手段剔除孤立点;还可以通过数据特征分布,剔除脱离分布的噪声数据。

  重复数据:剔除相似度大于阈值的数据。

 

  下面就介绍一款数据清洗的工具OpenRefine

 

OpenRefine 下载地址:    https://github.com/OpenRefine/OpenRefine

OpenRefine 教程下载地址:    http://download.csdn.net/detail/gattaca2011/6940325

 

转置请注明出处:http://www.cnblogs.com/rongyux/

 

后续更新中。。。

 

posted @ 2016-04-11 14:28  rongyux  阅读(8667)  评论(0编辑  收藏