為什么臟數(shù)據(jù)要提前進行數(shù)據(jù)預(yù)處理？

　　隨著大數(shù)據(jù)技術(shù)掀起的計算機領(lǐng)域的新浪潮，無論是數(shù)據(jù)分析、數(shù)據(jù)挖掘還是機器學(xué)習(xí)、人工智能，都離不開數(shù)據(jù)這一主題。

　　在實際應(yīng)用中，初始數(shù)據(jù)一般是多數(shù)據(jù)源且格式多樣化的數(shù)據(jù)，這些數(shù)據(jù)的質(zhì)量通常是良莠不齊的，或多或少存在問題，不能直接被使用到數(shù)據(jù)分析或數(shù)據(jù)挖掘工作中，直接使用會造成低質(zhì)量的分析或挖掘結(jié)果。

　　初始數(shù)據(jù)在進行分析或挖掘之前需要經(jīng)過一定的處理，調(diào)整成符合分析或挖掘需求的數(shù)據(jù)。而從初始數(shù)據(jù)到得出分析或挖掘結(jié)果的整個過程中對數(shù)據(jù)經(jīng)過的一系列操作稱為數(shù)據(jù)預(yù)處理。

　　數(shù)據(jù)預(yù)處理是數(shù)據(jù)分析或數(shù)據(jù)挖掘前的準(zhǔn)備工作，也是數(shù)據(jù)分析或數(shù)據(jù)挖掘中必不可少的一環(huán)，它主要通過一系列的方法來處理“臟”數(shù)據(jù)、精準(zhǔn)地抽取數(shù)據(jù)、調(diào)整數(shù)據(jù)的格式，從而得到一組符合準(zhǔn)確、完整、簡潔等標(biāo)準(zhǔn)的高質(zhì)量數(shù)據(jù)，保證該數(shù)據(jù)能更好地服務(wù)于數(shù)據(jù)分析或數(shù)據(jù)挖掘工作。

　　據(jù)統(tǒng)計發(fā)現(xiàn)，數(shù)據(jù)預(yù)處理的工作量占據(jù)整個數(shù)據(jù)挖掘工作的60%，由此可見，數(shù)據(jù)預(yù)處理在數(shù)據(jù)挖掘中扮演著舉足輕重的角色。

　　舉一個簡單的例子，摩拜單車在經(jīng)過數(shù)據(jù)預(yù)處理前。戶編號、單車編號、單車類型是一些冗余的屬性，對分析目標(biāo)而言沒有任何意義;騎行時長是對分析目標(biāo)起關(guān)鍵作用的屬性，但該列中有若干個空缺。

　　經(jīng)過預(yù)處理后，城市和騎行時長列的數(shù)據(jù)比較完整，也根據(jù)城市名稱進行了歸類，方便用戶快速地得出各城市用戶的平均騎行時長。

　　顯而易見若使用預(yù)處理前的摩拜單車數(shù)據(jù)對各城市用戶的平均騎行時長進行分析，會導(dǎo)致分析結(jié)果存在一些偏差，相反地，使用預(yù)處理后的摩拜單車數(shù)據(jù)進行分析，會得到一個較為準(zhǔn)確的分析結(jié)果。