作者：張良均 譚立云 劉名軍 江建明

來源：大數(shù)據(jù)DT(ID：hzdashuju)

內(nèi)容摘編自《Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》(第2版)

導(dǎo)讀：數(shù)據(jù)質(zhì)量分析是數(shù)據(jù)挖掘中數(shù)據(jù)準(zhǔn)備過程的重要一環(huán)，是數(shù)據(jù)預(yù)處理的前提，也是數(shù)據(jù)挖掘分析結(jié)論有效性和準(zhǔn)確性的基礎(chǔ)。沒有可信的數(shù)據(jù)，數(shù)據(jù)挖掘構(gòu)建的模型將是空中樓閣。

數(shù)據(jù)質(zhì)量分析的主要任務(wù)是檢查原始數(shù)據(jù)中是否存在臟數(shù)據(jù)。臟數(shù)據(jù)一般是指不符合要求以及不能直接進(jìn)行相應(yīng)分析的數(shù)據(jù)。在常見的數(shù)據(jù)挖掘工作中，臟數(shù)據(jù)包括：缺失值、異常值、不一致的值、重復(fù)數(shù)據(jù)及含有特殊符號（如#、￥、*）的數(shù)據(jù)。

本文將主要對數(shù)據(jù)中的缺失值、異常值和一致性進(jìn)行分析。

01 缺失值分析

數(shù)據(jù)的缺失主要包括記錄的缺失和記錄中某個字段信息的缺失，兩者都會造成分析結(jié)果不準(zhǔn)確。下面從缺失值產(chǎn)生的原因及影響等方面展開分析。

1. 缺失值產(chǎn)生的原因

缺失值產(chǎn)生的原因主要有以下3點：

有些信息暫時無法獲取，或者獲取信息的代價太大。

有些信息是被遺漏的。可能是因為輸入時認(rèn)為該信息不重要、忘記填寫或?qū)?shù)據(jù)理解錯誤等一些人為因素而遺漏，也可能是由于數(shù)據(jù)采集設(shè)備故障、存儲介質(zhì)故障、傳輸媒體故障等非人為原因而丟失。

屬性值不存在。在某些情況下，缺失值并不意味著數(shù)據(jù)有錯誤。對一些對象來說某些屬性值是不存在的，如一個未婚者的配偶姓名、一個兒童的固定收入等。

2. 缺失值的影響

缺失值會產(chǎn)生以下的影響：

數(shù)據(jù)挖掘建模將丟失大量的有用信息。

數(shù)據(jù)挖掘模型所表現(xiàn)出的不確定性更加顯著，模型中蘊含的規(guī)律更難把握。

包含空值的數(shù)據(jù)會使建模過程陷入混亂，導(dǎo)致不可靠的輸出。

3. 缺失值的分析

對缺失值的分析主要從以下兩方面進(jìn)行：

使用簡單的統(tǒng)計分析，可以得到含有缺失值的屬性的個數(shù)以及每個屬性的未缺失數(shù)、缺失數(shù)與缺失率等。

對于缺失值的處理，從總體上來說分為刪除存在缺失值的記錄、對可能值進(jìn)行插補和不處理3種情況。

02 異常值分析

異常值分析是檢驗數(shù)據(jù)是否有錄入錯誤，是否含有不合常理的數(shù)據(jù)。忽視異常值的存在是十分危險的，不加剔除地將異常值放入數(shù)據(jù)的計算分析過程中，會對結(jié)果造成不良影響;重視異常值的出現(xiàn)，分析其產(chǎn)生的原因，常常成為發(fā)現(xiàn)問題進(jìn)而改進(jìn)決策的契機(jī)。

異常值是指樣本中的個別值，其數(shù)值明顯偏離其他的觀測值。異常值也稱為離群點，異常值分析也稱為離群點分析。

1. 簡單統(tǒng)計量分析

在進(jìn)行異常值分析時，可以先對變量做一個描述性統(tǒng)計，進(jìn)而查看哪些數(shù)據(jù)是不合理的。最常用的統(tǒng)計量是最大值和最小值，用來判斷這個變量的取值是否超出了合理范圍。如客戶年齡的最大值為199歲，則判斷該變量的取值存在異常。

2. 3σ原則

如果數(shù)據(jù)服從正態(tài)分布，在3σ原則下，異常值被定義為一組測定值中與平均值的偏差超過3倍標(biāo)準(zhǔn)差的值。在正態(tài)分布的假設(shè)下，距離平均值3σ之外的值出現(xiàn)的概率為P(|x-μ|>3σ)≤0.003.屬于極個別的小概率事件。

如果數(shù)據(jù)不服從正態(tài)分布，也可以用遠(yuǎn)離平均值的標(biāo)準(zhǔn)差倍數(shù)來描述。

3. 箱型圖分析

箱型圖提供了識別異常值的一個標(biāo)準(zhǔn)：異常值通常被定義為小于QL -1.5IQR或大于QU +1.5IQR的值。

QL稱為下四分位數(shù)，表示全部觀察值中有四分之一的數(shù)據(jù)取值比它小;

QU稱為上四分位數(shù)，表示全部觀察值中有四分之一的數(shù)據(jù)取值比它大;

IQR稱為四分位數(shù)間距，是上四分位數(shù)QU與下四分位數(shù)QL之差，其間包含了全部觀察值的一半。

箱型圖依據(jù)實際數(shù)據(jù)繪制，對數(shù)據(jù)沒有任何限制性要求，如服從某種特定的分布形式，它只是真實直觀地表現(xiàn)數(shù)據(jù)分布的本來面貌;另一方面，箱型圖判斷異常值的標(biāo)準(zhǔn)以四分位數(shù)和四分位距為基礎(chǔ)，四分位數(shù)具有一定的魯棒性：多達(dá)25%的數(shù)據(jù)可以變得任意遠(yuǎn)而不會嚴(yán)重擾動四分位數(shù)，所以異常值不能對這個標(biāo)準(zhǔn)施加影響。

由此可見，箱型圖識別異常值的結(jié)果比較客觀，在識別異常值方面有一定的優(yōu)越性，如圖3-1所示。

▲圖3-1 箱型圖檢測異常值

餐飲系統(tǒng)中的銷量數(shù)據(jù)可能出現(xiàn)缺失值和異常值，例如表3-1中數(shù)據(jù)所示。

▲表3-1 餐飲日銷額數(shù)據(jù)示例

分析餐飲系統(tǒng)日銷額數(shù)據(jù)可以發(fā)現(xiàn)，其中有部分?jǐn)?shù)據(jù)是缺失的，但是如果數(shù)據(jù)記錄和屬性較多，使用人工分辨的方法就不切實際，所以這里需要編寫程序來檢測出含有缺失值的記錄和屬性以及缺失率個數(shù)和缺失率等。

在Python的pandas庫中，只需要讀入數(shù)據(jù)，然后使用describe()方法即可查看數(shù)據(jù)的基本情況，如代碼清單3-1所示。

代碼清單3-1 使用describe()方法查看數(shù)據(jù)的基本情況

import pandas as pd

catering_sale = '../data/catering_sale.xls'  # 餐飲數(shù)據(jù)

data = pd.read_excel(catering_sale, index_col='日期')

# 讀取數(shù)據(jù)，指定“日期”列為索引列

print(data.describe())

代碼清單3-1的運行結(jié)果如下：

本文摘編自《Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》(第2版)           銷量

count   200.000000

mean   2755.214700

std     751.029772

min      22.000000

25%    2451.975000

50%    2655.850000

75%    3026.125000

max    9106.440000

其中count是非空值數(shù)，通過len(data)可以知道數(shù)據(jù)記錄為201條，因此缺失值數(shù)為1.另外，提供的基本參數(shù)還有平均值(mean)、標(biāo)準(zhǔn)差(std)、最小值(min)、最大值(max)以及1/4、1/2、3/4分位數(shù)(25%、50%、75%)。

更直觀地展示這些數(shù)據(jù)并且可以檢測異常值的方法是使用箱型圖。其Python檢測代碼如代碼清單3-2所示。

代碼清單3-2 餐飲日銷額數(shù)據(jù)異常值檢測

import matplotlib.pyplot as plt# 導(dǎo)入圖像庫

plt.rcParams['font.sans-serif'] = ['SimHei']# 用來正常顯示中文標(biāo)簽

plt.rcParams['axes.unicode_minus'] = False  # 用來正常顯示負(fù)號

plt.figure()  # 建立圖像

p = data.boxplot(return_type='dict')  # 畫箱型圖，直接使用DataFrame的方法

x = p['fliers'][0].get_xdata()  # 'flies'即為異常值的標(biāo)簽

y = p['fliers'][0].get_ydata()

y.sort()  # 從小到大排序，該方法直接改變原對象

'''

用annotate添加注釋

其中有些相近的點，注釋會出現(xiàn)重疊，難以看清，需要一些技巧來控制

以下參數(shù)都是經(jīng)過調(diào)試的，需要具體問題具體調(diào)試

'''

for i in range(len(x)):

if i>0:

plt.annotate(y[i], xy=(x[i],y[i]), xytext=(x[i]+0.05 -0.8/(y[i]-y[i-1]), y[i]))

else:

plt.annotate(y[i], xy=(x[i],y[i]), xytext=(x[i]+0.08.y[i]))

plt.show()  # 展示箱型圖

運行代碼清單3-2.可以得到圖3-2所示的箱型圖。

▲圖3-2 異常值檢測箱型圖

從圖3-2可以看出，箱型圖中超過上下界的7個日銷售額數(shù)據(jù)可能為異常值。結(jié)合具體業(yè)務(wù)可以把865.0、4060.3、4065.2歸為正常值，將22.0、51.0、60.0、6607.4、9106.44歸為異常值。最后確定過濾規(guī)則為日銷額在400元以下或5000元以上則屬于異常數(shù)據(jù)，編寫過濾程序，進(jìn)行后續(xù)處理。

03 一致性分析

數(shù)據(jù)不一致性是指數(shù)據(jù)的矛盾性、不相容性。直接對不一致的數(shù)據(jù)進(jìn)行挖掘，可能會產(chǎn)生與實際相違背的挖掘結(jié)果。

在數(shù)據(jù)挖掘過程中，不一致數(shù)據(jù)的產(chǎn)生主要發(fā)生在數(shù)據(jù)集成的過程中，可能是由于被挖掘數(shù)據(jù)來自于不同的數(shù)據(jù)源、對于重復(fù)存放的數(shù)據(jù)未能進(jìn)行一致性更新造成的。

例如，兩張表中都存儲了用戶的電話號碼，但在用戶的電話號碼發(fā)生改變時只更新了一張表中的數(shù)據(jù)，那么這兩張表中就有了不一致的數(shù)據(jù)。

本文摘編自《Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn)》(第2版)，經(jīng)出版方授權(quán)發(fā)布。