探索流行的数据清理方法,快速迭代,专注于分析
数据清理是修改数据以删除或纠正信息,为分析做准备的过程。从业者普遍认为,80%的分析时间都花在这个数据清理阶段。但是为什么呢?
在收集数据时,通常会有各种各样的挑战需要解决。数据集可能包含缺失点或异常值,或者需要与其他数据集合并。工程和科学数据通常有特定的要求,如管理高频时间戳、信号处理和数据标记。您需要对如何处理这些数据清理任务做出决定。
这听起来可能很痛苦,但其实不必如此。MATLAB®为数据清理任务提供了许多应用程序和功能,使该阶段更快、信息量更大,以便您可以专注于分析和解决问题。例如,使用MATLAB来:
- 的时间序列数据进行探索、发现和清理问题数据更清洁应用程序。
- 用Live Editor任务同步、平滑、删除或填充缺失的数据和异常值,以试验各个数据清理方法
- 调用smoothdata和fillmissing等函数,有许多管理数据的选项和方便的函数提示。
- 类快速执行特定于领域的数据清理信号分析仪,信号贴标签机,图片标志应用程序。
所有的应用程序和Live Editor任务自动生成MATLAB代码来记录和自动化您的交互工作。
数据争吵
也许你听说过它被称为“数据清理”或“数据munging”,指的是为分析做准备所需的这些不同的数据清理步骤。以天气传感器系统的数据为例。传感器可能会暂时失效,在此期间留下缺失的数据点或异常值。不同的传感器通常以不同的时间步重编码,因此数据集必须是同步和插值时间不匹配的地方。这只是两个例子,但在你认为数据“干净”之前,可能还有更多的步骤和决策。
常见的数据清理任务包括:
- 填充或删除缺失的数据和异常值
- 平滑,消除长期趋势
- 识别异常值、变更点和极值
- 加入多个数据集
- 基于时间的数据清理,包括排序、移位和同步
- 对数据进行分组和分组
数学算法被用来补救这些挑战。例如,你可以用最近的近邻或线性插值来填补缺失的数据点。Live Editor任务和函数,例如fillmissing
和smoothdata
的MATLAB将帮助您探索常见的数据清理方法,并立即看到结果,以更快地做出这些决定。
Machine and Deep Learning
在创建预测模型时,数据清理通常有额外的步骤。考虑图像中的对象检测。在开发出分类算法之前,可能需要在图像中对对象进行标记。然后,必须根据算法的类型(机器学习、深度学习)对数据进行适当的组织,可能使用较少的数据点,或代表对象的“特征”。即使在训练了一个模型之后,你也经常会评估特征的重要性,可能会用不同的数据清理步骤重复这个过程,以改进分类。
一般来说,数据会经过这样的管道:
- 数据标签
- 通用数据清洗
- 特征选择
- 训练和测试预测模型
- 调整和迭代前面的步骤
- 将模型部署到生产环境中
MATLAB在整个工作流程中提供了应用程序和函数。你可以标签类用于图像、信号、音频、视频。