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(hào)（如#、￥、*）的數(shù)據(jù)。

本文將主要對(duì)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(gè)字段信息的缺失，兩者都會(huì)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(diǎn)：

有些信息暫時(shí)無法獲取，或者獲取信息的代價(jià)太大。

有些信息是被遺漏的。可能是因?yàn)檩斎霑r(shí)認(rèn)為該信息不重要、忘記填寫或?qū)?shù)據(jù)理解錯(cuò)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(chǔ)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(cuò)誤。對(duì)一些對(duì)象來說某些屬性值是不存在的，如一個(gè)未婚者的配偶姓名、一個(gè)兒童的固定收入等。

2. 缺失值的影響

缺失值會(huì)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(yùn)含的規(guī)律更難把握。

包含空值的數(shù)據(jù)會(huì)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(duì)缺失值的分析主要從以下兩方面進(jìn)行：

使用簡(jiǎn)單的統(tǒng)計(jì)分析，可以得到含有缺失值的屬性的個(gè)數(shù)以及每個(gè)屬性的未缺失數(shù)、缺失數(shù)與缺失率等。

對(duì)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(duì)可能值進(jìn)行插補(bǔ)和不處理3種情況。

02 異常值分析

異常值分析是檢驗(yàn)數(shù)據(jù)是否有錄入錯(cuò)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(xiǎn)的，不加剔除地將異常值放入數(shù)據(jù)的計(jì)算分析過程中，會(huì)對(duì)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(gè)別值，其數(shù)值明顯偏離其他的觀測(cè)值。異常值也稱為離群點(diǎn)，異常值分析也稱為離群點(diǎn)分析。

1. 簡(jiǎn)單統(tǒng)計(jì)量分析

在進(jìn)行異常值分析時(shí)，可以先對(duì)變量做一個(gè)描述性統(tǒng)計(jì)，進(jìn)而查看哪些數(shù)據(jù)是不合理的。最常用的統(tǒng)計(jì)量是最大值和最小值，用來判斷這個(gè)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(cè)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(gè)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(shí)別異常值的一個(gè)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(shí)際數(shù)據(jù)繪制，對(duì)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(shí)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(huì)嚴(yán)重?cái)_動(dòng)四分位數(shù)，所以異常值不能對(duì)這個(gè)標(biāo)準(zhǔn)施加影響。

由此可見，箱型圖識(shí)別異常值的結(jié)果比較客觀，在識(shí)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(cè)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(shí)際，所以這里需要編寫程序來檢測(cè)出含有缺失值的記錄和屬性以及缺失率個(gè)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(yùn)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(cè)異常值的方法是使用箱型圖。其Python檢測(cè)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(cè)

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(hào)

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?cè)瓕?duì)象

'''

用annotate添加注釋

其中有些相近的點(diǎn)，注釋會(huì)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(yùn)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(cè)箱型圖

從圖3-2可以看出，箱型圖中超過上下界的7個(gè)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(duì)不一致的數(shù)據(jù)進(jìn)行挖掘，可能會(huì)產(chǎn)生與實(shí)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(duì)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(chǔ)了用戶的電話號(hào)碼，但在用戶的電話號(hào)碼發(fā)生改變時(shí)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。