15856人阅读
【一】什么是预处理、预分析？
高质量数据是数据分析的前提和分析结论可靠性的保障。尽管在获取数据源时数据分析师格外谨慎，耗费大量的时间，但数据质量仍然需持续关注。不管是一手还是二手数据源，总是会存在一些质量问题。同时，为了满足数据分析、挖掘的实际需要，对噪声数据如何处理，是丢弃还是补充，或者重新计算新的数据变量，这些不是随意决定的，这就是数据预处理的一个过程，是在数据分析、挖掘开始前对数据源的审核和判断，是数据分析必不可少的一项。本文暂只简单讨论一下缺失值、异常值的处理。
【二】如何发现数据质量问题，例如，如何发现缺失值？
1、SPSS是如何做到的？
（1）系统缺失值、空白值
每一个变量均有可能出现系统缺失或者空白，当数据量巨大时我们根本无法用眼睛看出是否有缺失，最明智的做法是把这项任务交给数据分析工具，比如Excel，可通过数据有效性、筛选、查找、计数等功能去实现，如果是SPSS数据源，可以通过描述统计之“频率”项来实现。
上图，五个变量中，家庭人均收入有效样本94，有6个无效样本，在spss数据区域显示为空白值。其他变量均没有缺失，对于这6个缺失值是留是踢需要谨慎。
（2）变量取值分布
这一项不容忽视，一般由于输入错误、数据本身或者其他原因造成。这里分分类变量和数值变量进行检查。
分类变量取值分布检查：
描述统计之“频率”项，可以对变量以及变量取值进行频次统计汇总，因此，此处仍然采用“频率”项。
上图，我们已经确认是否献血样本全部有效，但是不代表这个变量没有其他噪声。通过此变量取值分布的考察，我们可以发现是否献血有4个水平，分别为“0”“1”“No”“Yes”，但实际上，该变量的取值至于两个水平，“No”“Yes”，其余两个取值是错误操作导致的，这是系统缺失值，可以通过重新赋值进行处理。
数值变量取值分布检查：
数值变量取值分布不宜采用“频次”的统计，一般可通过直方图、含有正态检验的直方图来实现。
上图，数值变量的直方图，可以清楚的看到其分布情况。可以初步判断存在异常值。
（3）离群值、极值
在SPSS中可以通过“箱图”直观的看到异常值，探索分析项或者箱图功能可实现。
上图，为spss探索分析结果，还可以设置分组变量。可以直观的发现，家庭人均收入存在极值，编号为66，可以快速查找定位。
2、Clementine是怎么做到的？
Data&Audit，数据审核节点示例：以下数据流看图不解释。
首先，建立以上数据流。最后一个为“数据审核”节点，右键选择并打开编辑：
上图，为clementine变量诊断结果，非常直观，图文并茂，而且一张图几乎说明了数据源各种质量问题。是否无偿献血，取值水平有4个，家庭人均收入最大值有异常，且明确显示有6个无效值。其他变量正常。
&上图，是clementine变量诊断结果中的另外一张图表，我们可以发现家庭人均收入有一枚极值，六枚无效值。通过上述诊断，数据质量问题一目了然。
【三】如何处理缺失值、离群值、极值？
1、SPSS实现方法
&上图，为spss变量转换菜单下的重新编码为相同变量选项卡。可以轻松实现变量重新赋值。
主要实现方法：重新编码为相同/不同变量、计算变量、缺失值分析模块，此处略，后续文章会涉及。
2、Clementine实现方法
（1）是否无偿献血&重新分类
我们已经清楚的知道，是否无偿献血变量在取值分布上存在问题。在clementine，需要用Reclassify节点进行重新分类，在变量诊断的第一种表格上选中是否无偿献血变量，点击左上角“生成”按钮，生成一个Reclassify节点。打开该节点，如上图所示，即可完成重新分类。
（2）无效值、空白值的处理
家庭人均收入变量存在6个无效值，我们建议保留这6个样本，希望通过决策树算法进行针对性的预测，从而为这6个无效值进行赋值。如上图所示进行操作。然后，选中该变量，点击左上角“生成”按钮，自动生成一个缺失值插补超级节点。
（3）离群值、极值的处理
家庭收入变量还存在一枚极值，对于该极值，我们采取剔除丢弃处理，在clementine变量诊断表格中，如上图操作，点击生成按钮，自动生成一个离群值和极值超级节点。
（4）以下为clementine的处理结果
&我们将自动生成的两个超级节点，连接在数据流末端，再次进行数据审核，结果如上图所示，此时，我们可以看到，上述几个问题已经达到合理地解决。最终我们剔除了一个极值，对其他质量问题采取保守态度进行相应的处理。
&上图，为整个过程的数据流图示。
1、通过SPSS描述统计的相关过程，可以实现数据质量的探索分析并进行相应的预处理。
2、通过Clementine的Type节点、Filler节点、Reclassify节点、Data&Audit等节点可以实现数据质量的探索，而且比SPSS更直观，更快捷。
3、相比而言，clementine在数据分析预处理方面更加优秀，结果可视化程度较高，直观易懂，而且处理流程简短精悍，虽然通过spss或者excel也可以完成这些工作，但我想，如果能合理选择有效驾驭，
clementine是一个不错的选择，这不是炫耀或者奢侈，更效率更效果的工作才是最终目的。
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：113640次
积分：1272
积分：1272
排名：千里之外
转载：63篇
评论：16条
(5)(1)(1)(2)(1)(3)(1)(5)(2)(5)(2)(7)(12)(3)(2)(1)(5)(7)(1)温馨提示！由于新浪微博认证机制调整，您的新浪微博帐号绑定已过期，请重新绑定！&&|&&
LOFTER精选
网易考拉推荐
用微信&&“扫一扫”
将文章分享到朋友圈。
用易信&&“扫一扫”
将文章分享到朋友圈。
本文转载自DOCTOR
【一】什么是预处理、预分析？
高质量数据是数据分析的前提和分析结论可靠性的保障。尽管在获取数据源时数据分析师格外谨慎，耗费大量的时间，但数据质量仍然需持续关注。不管是一手还是二手数据源，总是会存在一些质量问题。同时， 为了满足数据分析、挖掘的实际需要，对噪声数据如何处理，是丢弃还是补充，或者重新计算新的数据变量，这些不是随意决定的，这就是数据预处理的一个过程，是在数据分析、挖掘开始前对数据源的审核和判断 ，是数据分析必不可少的一项。本文暂只简单讨论一下缺失值、异常值的处理。
【二】如何发现数据质量问题，例如，如何发现缺失值？
1、SPSS是如何做到的？
（1）系统缺失值、空白值
每一个变量均有可能出现系统缺失或者空白，当数据量巨大时我们根本无法用眼睛看出是否有缺失，最明智的做法是把这项任务交给数据分析工具，比如Excel，可通过数据有效性、筛选、查找、计数等功能去实 现，如果是SPSS数据源，可以通过描述统计之“频率”项来实现。
&上图，五个变量中，家庭人均收入有效样本94，有6个无效样本，在spss数据区域显示为空白值。其他变量均没有缺失，对于这6个缺失值是留是踢需要谨慎。
（2）变量取值分布
这一项不容忽视，一般由于输入错误、数据本身或者其他原因造成。这里分分类变量和数值变量进行检查。
分类变量取值分布检查：
描述统计之“频率”项，可以对变量以及变量取值进行频次统计汇总，因此，此处仍然采用“频率”项。
&上图，我们已经确认是否献血样本全部有效，但是不代表这个变量没有其他噪声。通过此变量取值分布的考察，我们可以发现是否献血有4个水平，分别为“0”“1”“No”“Yes”，但实际上，该变量的取值至于 两个水平，“No”“Yes”，其余两个取值是错误操作导致的，这是系统缺失值，可以通过重新赋值进行处理。
数值变量取值分布检查：
数值变量取值分布不宜采用“频次”的统计，一般可通过直方图、含有正态检验的直方图来实现。
&上图，数值变量的直方图，可以清楚的看到其分布情况。可以初步判断存在异常值。
（3）离群值、极值
在SPSS中可以通过“箱图”直观的看到异常值，探索分析项或者箱图功能可实现。
上图，为spss探索分析结果，还可以设置分组变量。可以直观的发现，家庭人均收入存在极值，编号为66，可以快速查找定位。
2、Clementine是怎么做到的？
Data&Audit，数据审核节点示例：以下数据流看图不解释。
&首先，建立以上数据流。最后一个为“数据审核”节点，右键选择并打开编辑：
&上图，为clementine变量诊断结果，非常直观，图文并茂，而且一张图几乎说明了数据源各种质量问题。是否无偿献血，取值水平有4个，家庭人均收入最大值有异常，且明确显示有6个无效值。其他变量正常。
&&上图，是clementine变量诊断结果中的另外一张图表，我们可以发现家庭人均收入有一枚极值，六枚无效值。通过上述诊断，数据质量问题一目了然。
【三】如何处理缺失值、离群值、极值？
1、SPSS实现方法
&&上图，为spss变量转换菜单下的重新编码为相同变量选项卡。可以轻松实现变量重新赋值。
主要实现方法：重新编码为相同/不同变量、计算变量、缺失值分析模块，此处略，后续文章会涉及。
2、Clementine实现方法
（1）是否无偿献血&重新分类
&我们已经清楚的知道，是否无偿献血变量在取值分布上存在问题。在clementine，需要用Reclassify节点进行重新分类，在变量诊断的第一种表格上选中是否无偿献血变量，点击左上角“生成”按钮，生成一个 Reclassify节点。打开该节点，如上图所示，即可完成重新分类。
（2）无效值、空白值的处理
&家庭人均收入变量存在6个无效值，我们建议保留这6个样本，希望通过决策树算法进行针对性的预测，从而为这6个无效值进行赋值。如上图所示进行操作。然后，选中该变量，点击左上角“生成”按钮，自动生 成一个缺失值插补超级节点。
（3）离群值、极值的处理
&家庭收入变量还存在一枚极值，对于该极值，我们采取剔除丢弃处理，在clementine变量诊断表格中，如上图操作，点击生成按钮，自动生成一个离群值和极值超级节点。
（4）以下为clementine的处理结果
&&我们将自动生成的两个超级节点，连接在数据流末端，再次进行数据审核，结果如上图所示，此时，我们可以看到，上述几个问题已经达到合理地解决。最终我们剔除了一个极值，对其他质量问题采取保守 态度进行相应的处理。
&&上图，为整个过程的数据流图示。
1、通过SPSS描述统计的相关过程，可以实现数据质量的探索分析并进行相应的预处理。
2、通过Clementine的Type节点、Filler节点、Reclassify节点、Data&Audit等节点可以实现数据质量的探索，而且比SPSS更直观，更快捷。
3、相比而言，clementine在数据分析预处理方面更加优秀，结果可视化程度较高，直观易懂，而且处理流程简短精悍，虽然通过spss或者excel也可以完成这些工作，但我想，如果能合理选择有效驾驭，
clementine是一个不错的选择，这不是炫耀或者奢侈，更效率更效果的工作才是最终目的。
&（转自：）
阅读(141)|
用微信&&“扫一扫”
将文章分享到朋友圈。
用易信&&“扫一扫”
将文章分享到朋友圈。
历史上的今天
在LOFTER的更多文章
loftPermalink:'',
id:'fks_',
blogTitle:'【转载】数据分析预处理的方法——SPSS、Clementine如何处理缺失值、离群值、极值',
blogAbstract:'\n&\n\n\n&&\n【一】什么是预处理、预分析？\n&\n高质量数据是数据分析的前提和分析结论可靠性的保障。尽管在获取数据源时数据分析师格外谨慎，耗费大量的时间，但数据质量仍然需持续关注。不管是一手还是二手数据源，总是会存在一些质量问题。同时， 为了满足数据分析、挖掘的实际需要，对噪声数据如何处理，是丢弃还是补充，或者重新计算新的数据变量，这些不是随意决定的，这就是数据预处理的一个过程，是在数据分析、挖掘开始前对数据源的审核和判断 ，是数据分析必不可少的一项。本文暂只简单讨论一下缺失值、异常值的处理。\n&\n【二】如何发现数据质量问题，例如，如何发现缺失值？\n&\n1、SPSS是如何做到的？\n（1）系统缺失值、空白值\n每一个变量均有可能出现系统缺失或者空白，当数据量巨大时我们根本无法用眼睛看出是否有缺失，最明智的做法是把这项任务交给数据分析工具，比如Excel，可通过数据有效性、筛选、查找、计数等功能去实 现，如果是SPSS数据源，可以通过描述统计之“频率”项来实现。\n',
blogTag:'',
blogUrl:'blog/static/',
isPublished:1,
istop:false,
modifyTime:0,
publishTime:6,
permalink:'blog/static/',
commentCount:0,
mainCommentCount:0,
recommendCount:0,
bsrk:-100,
publisherId:0,
recomBlogHome:false,
currentRecomBlog:false,
attachmentsFileIds:[],
groupInfo:{},
friendstatus:'none',
followstatus:'unFollow',
pubSucc:'',
visitorProvince:'',
visitorCity:'',
visitorNewUser:false,
postAddInfo:{},
mset:'000',
remindgoodnightblog:false,
isBlackVisitor:false,
isShowYodaoAd:false,
hostIntro:'.cn/u/',
hmcon:'0',
selfRecomBlogCount:'0',
lofter_single:''
{list a as x}
{if x.moveFrom=='wap'}
{elseif x.moveFrom=='iphone'}
{elseif x.moveFrom=='android'}
{elseif x.moveFrom=='mobile'}
${a.selfIntro|escape}{if great260}${suplement}{/if}
{list a as x}
推荐过这篇日志的人：
{list a as x}
{if !!b&&b.length>0}
他们还推荐了：
{list b as y}
转载记录：
{list d as x}
{list a as x}
{list a as x}
{list a as x}
{list a as x}
{if x_index>4}{break}{/if}
${fn2(x.publishTime,'yyyy-MM-dd HH:mm:ss')}
{list a as x}
{if !!(blogDetail.preBlogPermalink)}
{if !!(blogDetail.nextBlogPermalink)}
{list a as x}
{if defined('newslist')&&newslist.length>0}
{list newslist as x}
{if x_index>7}{break}{/if}
{list a as x}
{var first_option =}
{list x.voteDetailList as voteToOption}
{if voteToOption==1}
{if first_option==false},{/if}&&“${b[voteToOption_index]}”&&
{if (x.role!="-1") },“我是${c[x.role]}”&&{/if}
&&&&&&&&${fn1(x.voteTime)}
{if x.userName==''}{/if}
网易公司版权所有&&
{list x.l as y}
{if defined('wl')}
{list wl as x}{/list}苹果/安卓/wp
积分 114, 距离下一级还需 31 积分
权限: 自定义头衔
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡下一级可获得
道具: 匿名卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
在SPSS中，如何操作可以找出离群值，及其问卷编号，找出离群值后如何处理？
载入中......
标准化以后，[-3，3] 以外的可以认为是异常值
总评分:&经验 + 10&
热心指数 + 1&
三人行，必有我师焉；择其善者而从之，其不善者而改之
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
论坛法律顾问：王进律师}