数据预处理和weka.filters的使用

来源：



http://www.cnblogs.com/htynkn/archive/2012/04/02/weka_3.html

数据预处理（data preprocessing）

数据预处理（data preprocessing）是指在主要的处理以前对数据进行的一些处理。

现实世界中数据大体上都是不完整，不一致的脏数据，无法直接进行数据挖掘，或挖掘结果差强人意。

为了提高数据挖掘的质量产生了数据预处理技术。

数据预处理有多种方法：数据清理，数据集成，数据变换，数据归约等。这些数据处理技术在数据挖掘之前使用，大大提高了数据挖掘模式的质量，降低实际挖掘所需要的时间。

数据清理是使用比较频繁的，主要有：

(1)空缺值处理

目前最常用的方法是使用最可能的值填充空缺值，比如可以用回归、贝叶斯形式化方法工具或判定树归纳等确定空缺值．这类方法依靠现有的数据信息来推测空缺值，使空缺值有更大的机会保持与其他属性之间的联系。

还可以用一个全局常量替换空缺值、使用属性的平均值填充空缺值或将所有元组按某些属性分类，然后用同一类中属性的平均值填充空缺值．如果空缺值很多，这些方法可能误导挖掘结果。

(2)噪声数据处理

噪声是一个测量变量中的随机错误或偏差，包括错误的值或偏离期望的孤立点值。常用分箱、回归、计算机检查和人工检查结合、聚类等方法进行噪音处理。

 

数据变化主要使用平滑聚集，数据概化，规范化等手段使数据换为较利于数据挖掘的格式。

 

数据归约主要是为了压缩数据量，源数据可以用来得到数据集的归约表示，它接近于保持原数据的完整性，但数据量比原数据小得多．与非归约数据相比，在归约的数据上进行挖掘，所需的时间和内存资源更少，挖掘将更有效，并产生相同或几乎相同的分析结果。常用维归约、数据压缩、数值归约等方法实现。

Weka.Filters

weka.filters中包含了一些数据预处理的简单实现（其实已经够用了），主要分成两大类，监督过滤（UnsupervisedFilter）和非监督过滤（UnsupervisedFilter）。

如果是使用GUI的话，点击Filter的Choose就可以选择

选择完成后点击选择的Filter本身就可以修改相关参数。

完成参数修正后点击Apply就Ok了。

我平时使用的比较多的还是非监督过滤，下面介绍一些比较常见。

先介绍weka.filters.unsupervised.attribute包下的，这是非监督方法对属性进行预处理。

1.Add

为数据库添加一个新的属性，新的属性将会包含所有缺失值。可选参数：

attributeIndex：属性位置，从1开始算，last是最后一个，first是第一个

attributeName：属性名称

attributeType：属性类型，一般是4选1

dateFormat：数据格式，参考ISO-8601

nominalLabels：名义标签，多个值用逗号隔开

2.AddExpression

新增一个属性，该属性由现有属性通过设定的表达式计算得出。支持+, -, *, /, ^, log, abs, cos, exp, sqrt, floor, ceil, rint, tan, sin。现有属性由a+索引值构成。

3.AddID

字面意思，添加一个ID

4.AddNoise

只对名义属性有效，依照一定比例修改值。

5.Center

将数值化属性的平均化为0。

6.ChangeDateFormat

修改数据格式

7.Copy

复制制定属性并命名为Copy Of XX

8.Discretize

简单划分的离散化处理。参数：

attributeIndices：属性范围，如1-5,first-last

bins：桶的数量

9.FirstOrder

第n个值用n+1项值和n项值的差替换

10.MathExpression

功能和AddExpression类似，不过支持的运算更多，特别是MAX和MIN的支持特别有用。所有支持运算符如下：+, -, *, /, pow, log,abs, cos, exp, sqrt, tan, sin, ceil, floor, rint, (, ),A,MEAN, MAX, MIN, SD, COUNT, SUM, SUMSQUARED, ifelse

11.Reorder

重新排列属性，输入2-last，1可以让第一项排到最后，如果输入1,3,5的话…其他项就没有了

12.Standardize

这个和Center功能大致相同，多了一个标准化单位变异数

13.StringToNominal

将String型转化为Nominal型

14.SwapValues

交换值

然后是weka.filters.unsupervised.instance包下的

1.NonSparseToSparse

将所有输入转为稀疏格式

2.Normalize

规范化整个实例集

3.RemoveFolds

交叉验证，不支持分层，如果需要的话使用监督学习中的方法

4.RemoveRange

移除制定范围的实例，化为NaN

5.Resample

随机抽样，从现有样本产生新的小样本

6.SubsetByExpression

根据规则进行过滤，支持逻辑运算，向上取值，取绝对值等等

weka.filters.supervised包中的内容比较少，而且涉及到一些流程原理，这里就不介绍了，后面的文章会慢慢介绍到

调用Weka实现数据预处理

weka的使用并不仅仅极限于它自带的GUI或者命令行，我们可以使用weka的java api，在weka的基础架构和已经实现的算法基础上进行开发。

新建一个java项目，添加对weka.jar的引用。这个包一般在安装目录下，我的3.6版本的大小为6316kb。

Instances是最主要的数据集容器，读入arff文件初始化之，如下：

Instances instances=DataSource.read("data/cpu.arff"); 
System.out.println(instances.toSummaryString());

效果：

 

使用Filter的一般流程是：实例化过滤器，传入过滤器参数，通过Filter.useFilter使用过滤器

举个例子，我想为这个cpu数据库加入一个ID，使用AddID过滤器。

先实例化AddID

AddID filter = new AddID();

该过滤器需要2个参数，一个是位置，一个是名称。建立一个长为4的字符串数组，填充参数

String[] options = new String[4]; 
options[0] = "-C"; 
options[1] = "first"; 
options[2] = "-N"; 
options[3] = "ID"; 
filter.setOptions(options); 
filter.setInputFormat(instances); 

使用过滤器，然后输出

Instances newInstances = Filter.useFilter(instances, filter); 
System.out.println(newInstances.toSummaryString()); 

完整代码：

Instances instances = DataSource.read("data/cpu.arff"); 
System.out.println(instances.toSummaryString());

AddID filter = new AddID(); 
String[] options = new String[4]; 
options[0] = "-C"; 
options[1] = "first"; 
options[2] = "-N"; 
options[3] = "ID"; 
filter.setOptions(options); 
filter.setInputFormat(instances); 
Instances newInstances = Filter.useFilter(instances, filter); 
System.out.println(newInstances.toSummaryString()); 

效果：

再演示一个离散化过滤的使用和新数据的保存

Discretize discretize = new Discretize(); 
options = new String[6]; 
options[0] = "-B"; 
options[1] = "8"; 
options[2] = "-M"; 
options[3] = "-1.0"; 
options[4] = "-R"; 
options[5] = "2-last"; 
discretize.setOptions(options); 
discretize.setInputFormat(newInstances); 
Instances newInstances2 = Filter.useFilter(newInstances, discretize); 
System.err.println(newInstances2.toSummaryString()); 
DataSink.write("data/newcpu.arff", newInstances2); 

其实可以很明显的看出，java调用weka api并不困难，关键还是对于数据挖掘、weka本身的了解和熟悉，对于使用哪种方法，需要什么参数要有一定概念。

weka的扩展，实现自己的过滤器

我使用的weka版本是3.6.6，要是版本不同的话可能有些细节有差异。

一切的开始是Filter类，然后是SimpleFilter，一般情况下我们继承SimpleStreamFilter、SimpleBatchFilter。

这两个的本质差别是一个是全部读入，一个是数据流式处理，但是代码可以完全一样，主要是效率和使用空间上的区别。

举个例子，我希望将所有属性都进行向下取整，继承SimpleStreamFilter，实现和重写一下方法

public Capabilities getCapabilities()
public String globalInfo()
protected Instances determineOutputFormat(Instances inputFormat)
protected Instances process(Instances inst)

完整代码：

@Override 
public Capabilities getCapabilities() { 
    Capabilities capabilities = super.getCapabilities(); 
    capabilities.enableAllAttributes(); 
    capabilities.enableAllClasses(); 
    capabilities.enable(Capability.NO_CLASS); 
    return capabilities; 
}

public String globalInfo() { 
    return "A simple batch filter that adds an additional attribute 'bla' at the end " 
            + "containing the index of the processed instance."; 
}

protected Instances determineOutputFormat(Instances inputFormat) { 
    Instances result = new Instances(inputFormat, 0); 
    return result; 
}

protected Instances process(Instances inst) { 
    Instances result = new Instances(determineOutputFormat(inst), 0); 
    for (int i = 0; i < inst.numInstances(); i++) { 
        double[] values = new double[result.numAttributes()]; 
        for (int n = 0; n < inst.numAttributes(); n++) 
            values[n] = Math.floor(inst.instance(i).value(n)); 
        result.add(new Instance(1, values)); 
    } 
    return result; 
} 

效果：