想象一下：

如果你是一家公司的产品经理，现在老板需要你调研一下用户需求或用户反馈意见，你会怎么做？

线下举办沙龙座谈会？可以，但成本高耗时长

客户群直接提问收集意见？也行，但数据凌乱且样本量小

一般而言，会采用线上调研的方式。线上调研是目前相对较新的研究方法，也是目前应用较多的调研方式。

线上调研主要是利用互联网技术和方法，从网上募集受访者，通过问卷等形式收集用户的观点、看法。

线上调研的优势是成本低、时效性强、覆盖人群广。相较于传统的线下调研，线上调研可以节省一系列费用且不受地域限制，可触达全国范围内用户群体。

但同时线上调研也会存在一定的劣势，比如受访者与目标调研群体不相符，受访者乱填或漏填数据。

这时候我们就需要对收集来的数据进行处理，数据处理的基本目的是从大量的、杂乱无章的、难以使用的数据中抽取并处理成对于某些特定的人们来说是有价值、有意义的数据。

如果不进行数据处理，那么可能导致分析结果与实际情况存在差异，进而影响下一步的决策执行。

那么线上调研的数据该怎么进行处理呢？常用的方法有5种。

一、异常值处理

异常值是指样本中的个别值，其数值明显偏离它（或他们）所属样本的其余观测值。

异常值检测逻辑是，对变量的数据集(类似于列)按照设置的闻值进行判定，筛选出落在异常值检测范围内的数据，再根据处置方法将原数据替换。

常用的异常值判断标准有自定义识别、MAD异常值识别、IQR异常值识别、3sigma异常值识别。

MAD异常值识别：假定数据服从正态分布，让异常点（outliers）落在两侧的 50% 的面积里，让正常值落在中间的 50% 的区域里

IQR异常值识别：四分位距(IQR)就是上四分位与下四分位的差值。而我们通过IQR的1.5倍为标准，规定：超过（上四分位+1.5倍IQR距离，或者下四分位-1.5倍IQR距离）的点为异常值。

二、重复值处理

重复值是指样本中出现无效重复的数据，通常可采用个案处理。

个案处理是指检查与剔除无效样本，个案实际就是单个样本，一个样本由有限个变量的数据集组成，个案处理是对众多样本的变量数据集进行校验检测，筛除无效样本（含重复），是对行的标记处理。

三、空缺值填补

顾名思义，样本中出现空缺的数值。

空缺值通常是出现空值、空格、字符串"None"，其处理方式主要有众数、中位数、均值等统计量数值填充。

四、数据标准化

标准化和归一化是两种数据预处理方法，都是将数据转化为某种尺度，使得数据在进行后续分析时能够更加准确。

通常用于解决数据不同量级或者尺度不同的问题。通过一定的数学变换方式，将原始数据按照一定的比例进行转换，使之落入到一个小的特定区间内，例如[0,1]或[-1,1]的区间内，消除不同变量之间性质、量纲、数量级等特征属性的差异，将其转化为一个无量纲的相对数值，也就是标准化数值，使各指标的数值都处于同一个数量级别上，从而便于不同单位或数量级的指标能够进行综合分析和比较。

1、min-max标准化

公式为：（X-min）/ （max-min）

作用：对原始数据的线性变换，使结果落到[0,1]区间。

对原始数据进行线性变换，无论原始数据是正值还是负值，结果都会落到[0,1]区间。并且正负指标均可转化为正向指标，作用方向一致。但是如果有新数据加入，就可能会导致最大值和最小值发生变化，就需要进行重新定义，并重新计算。

2、z-score 标准化

公式为：（X-Mean）/ Std

作用：标准化后的变量值围绕0上下波动,大于0说明高于平均水平，小于0说明低于平均水平。

应用场景：适用于当某个指标的最大值和最小值未知时，或者有超出取值范围的离群数值时。

处理后的数据符合均值为0，标准差为1的标准正态分布，围绕0上下波动，大于0说明高于平均水平，小于0说明低于平均水平。

3、归一化

归一化是将数据的值转化为0到1之间的值。

归一化的公式为：X / （x1+x2+...Xn）

作用：对正数进行变换，使结果落到[0,1]区间，其将数值的绝对值变成相对值关系。

归一化应用场景：归一化通常用于解决数据范围不同的问题。可以使用归一化将数据转化为相同范围，从而使得所有特征对模型的训练和预测产生相同的影响。

归一化还可以用于将数据转化为特定范围，以适应某些算法的要求。例如，某些机器学习算法（如神经网络）要求输入数据的值在0到1之间。在这种情况下，可以使用归一化将数据转化为0到1之间的值，以便于使用这些算法。

五、数据编码

数据编码是将变量数值再次进行编码，可进一步浓缩或整合原始数据。

样本数量50-100，建议分6-10组；样本数量100-250，建议分7-12组；样本数量250以上，建议分10-20组。

分组太少会掩盖变量变动时频次变化，分组太多增加偶然因素，看不出明显规律。

总的来说，数据清洗是对原始数据进行规范化的处理，属于数据处理的一道工序。从提高数据质量的角度来讲，只要有效提高数据质量的处理过程，都可以认为是数据清洗。

作者：SPSSPRO

来源：鸟哥笔记

原文地址：https://www.niaogebiji.com/article-524670-1.html

想象一下：

如果你是一家公司的产品经理，现在老板需要你调研一下用户需求或用户反馈意见，你会怎么做？

线下举办沙龙座谈会？可以，但成本高耗时长

客户群直接提问收集意见？也行，但数据凌乱且样本量小

一般而言，会采用线上调研的方式。线上调研是目前相对较新的研究方法，也是目前应用较多的调研方式。

线上调研主要是利用互联网技术和方法，从网上募集受访者，通过问卷等形式收集用户的观点、看法。

线上调研的优势是成本低、时效性强、覆盖人群广。相较于传统的线下调研，线上调研可以节省一系列费用且不受地域限制，可触达全国范围内用户群体。

但同时线上调研也会存在一定的劣势，比如受访者与目标调研群体不相符，受访者乱填或漏填数据。

这时候我们就需要对收集来的数据进行处理，数据处理的基本目的是从大量的、杂乱无章的、难以使用的数据中抽取并处理成对于某些特定的人们来说是有价值、有意义的数据。

如果不进行数据处理，那么可能导致分析结果与实际情况存在差异，进而影响下一步的决策执行。

那么线上调研的数据该怎么进行处理呢？常用的方法有5种。

一、异常值处理

异常值是指样本中的个别值，其数值明显偏离它（或他们）所属样本的其余观测值。

异常值检测逻辑是，对变量的数据集(类似于列)按照设置的闻值进行判定，筛选出落在异常值检测范围内的数据，再根据处置方法将原数据替换。

常用的异常值判断标准有自定义识别、MAD异常值识别、IQR异常值识别、3sigma异常值识别。

MAD异常值识别：假定数据服从正态分布，让异常点（outliers）落在两侧的 50% 的面积里，让正常值落在中间的 50% 的区域里

IQR异常值识别：四分位距(IQR)就是上四分位与下四分位的差值。而我们通过IQR的1.5倍为标准，规定：超过（上四分位+1.5倍IQR距离，或者下四分位-1.5倍IQR距离）的点为异常值。

二、重复值处理

重复值是指样本中出现无效重复的数据，通常可采用个案处理。

个案处理是指检查与剔除无效样本，个案实际就是单个样本，一个样本由有限个变量的数据集组成，个案处理是对众多样本的变量数据集进行校验检测，筛除无效样本（含重复），是对行的标记处理。

三、空缺值填补

顾名思义，样本中出现空缺的数值。

空缺值通常是出现空值、空格、字符串"None"，其处理方式主要有众数、中位数、均值等统计量数值填充。

四、数据标准化

标准化和归一化是两种数据预处理方法，都是将数据转化为某种尺度，使得数据在进行后续分析时能够更加准确。

通常用于解决数据不同量级或者尺度不同的问题。通过一定的数学变换方式，将原始数据按照一定的比例进行转换，使之落入到一个小的特定区间内，例如[0,1]或[-1,1]的区间内，消除不同变量之间性质、量纲、数量级等特征属性的差异，将其转化为一个无量纲的相对数值，也就是标准化数值，使各指标的数值都处于同一个数量级别上，从而便于不同单位或数量级的指标能够进行综合分析和比较。

1、min-max标准化

公式为：（X-min）/ （max-min）

作用：对原始数据的线性变换，使结果落到[0,1]区间。

对原始数据进行线性变换，无论原始数据是正值还是负值，结果都会落到[0,1]区间。并且正负指标均可转化为正向指标，作用方向一致。但是如果有新数据加入，就可能会导致最大值和最小值发生变化，就需要进行重新定义，并重新计算。

2、z-score 标准化

公式为：（X-Mean）/ Std

作用：标准化后的变量值围绕0上下波动,大于0说明高于平均水平，小于0说明低于平均水平。

应用场景：适用于当某个指标的最大值和最小值未知时，或者有超出取值范围的离群数值时。

处理后的数据符合均值为0，标准差为1的标准正态分布，围绕0上下波动，大于0说明高于平均水平，小于0说明低于平均水平。

3、归一化

归一化是将数据的值转化为0到1之间的值。

归一化的公式为：X / （x1+x2+...Xn）

作用：对正数进行变换，使结果落到[0,1]区间，其将数值的绝对值变成相对值关系。

归一化应用场景：归一化通常用于解决数据范围不同的问题。可以使用归一化将数据转化为相同范围，从而使得所有特征对模型的训练和预测产生相同的影响。

归一化还可以用于将数据转化为特定范围，以适应某些算法的要求。例如，某些机器学习算法（如神经网络）要求输入数据的值在0到1之间。在这种情况下，可以使用归一化将数据转化为0到1之间的值，以便于使用这些算法。

五、数据编码

数据编码是将变量数值再次进行编码，可进一步浓缩或整合原始数据。

样本数量50-100，建议分6-10组；样本数量100-250，建议分7-12组；样本数量250以上，建议分10-20组。

分组太少会掩盖变量变动时频次变化，分组太多增加偶然因素，看不出明显规律。

总的来说，数据清洗是对原始数据进行规范化的处理，属于数据处理的一道工序。从提高数据质量的角度来讲，只要有效提高数据质量的处理过程，都可以认为是数据清洗。

作者：SPSSPRO

来源：鸟哥笔记

原文地址：https://www.niaogebiji.com/article-524670-1.html