1、数据预处理的五个主要方法：数据清洗、特征选择、特征缩放、数据变换、数据集拆分。数据清洗 数据清洗是处理含有错误、缺失值、异常值或重复数据等问题的数据的过程。常见的清洗操作包括删除重复数据、填补缺失值、校正错误值和处理异常值，以确保数据的完整性和一致性。
2、数据清理 数据清理例程就是通过填写缺失值、光滑噪声数据、识别或者删除离群点，并且解决不一致性来进行清理数据。数据集成 数据集成过程将来自多个数据源的数据集成到一起。数据规约 数据规约是为了得到数据集的简化表示。数据规约包括维规约和数值规约。
3、数据预处理的方法：数据清理、数据清理例程通过填写缺失的值、光滑噪声数据、识别或删除离群点并解决不一致性来“清理”数据。主要是达到如下目标：格式标准化，异常数据清除，错误纠正，重复数据的清除。
4、预处理常常指的是数据预处理，数据预处理常用处理方法为：数据清洗、数据集成。数据清洗 数据清洗是通过填补缺失值，平滑或删除离群点，纠正数据的不一致来达到清洗的目的。简单来说，就是把数据里面哪些缺胳膊腿的数据、有问题的数据给处理掉。
1、图处理模式（Graph Processing）：针对数据之间的关系进行计算，通常以图的形式表示数据之间的联系，能够解决一些复杂的问题，如社交网络分析、路径规划、推荐系统等。这四种计算模式通常都需要在大规模分布式计算框架中实现，如Hadoop、Spark、Storm、Flink等，以应对大数据量的处理需求。
2、离线处理 离线处理方式已经相当成熟，它适用于量庞大且较长时间保存的数据。在离线处理过程中，大量数据可以进行批量运算，使得我们的查询能够快速响应得到结果。商业中比较常见的，就是使用HDFS技术对数据进行储存，然后使用MapReduce对数据进行批量化理，然后将处理好的数据进行存储或者展示。
3、传统的数据采集来源单一，且存储、管理和分析数据量也相对较小，大多采用关系型数据库和并行数据仓库即可处理。
4、应用大数据平台，可以统一管理金融企业内部多源异构数据和外部征信数据，更好地完善风控体系。内部可保证数据的完整性与安全性，外部可控制用户风险。（3） 决策支持。通过大数据分析方法改善经营决策，为管理层提供可靠的数据支撑，从而使经营决策更高效、敏捷、精准。（4） 服务创新。
5、采：ETL采集、去重、脱敏、转换、关联、去除异常值 前后端将采集到的数据给到数据部门，数据部门通过ETL工具将数据从来源端经过抽取（extract）、转换（transform）、加载（load）至目的端的过程，目的是将散落和零乱的数据集中存储起来。
1、大数据处理技术有以下内容：数据挖掘技术 数据挖掘技术是大数据处理的核心技术之一。通过对海量数据的分析，挖掘出有价值的信息，为决策提供科学依据。数据挖掘技术包括分类、聚类、关联规则挖掘等。云计算技术 云计算技术在大数据处理中发挥着重要作用。
2、大数据中可以用来实现流计算的技术是Storm、Flink、Spark Streaming。Storm的设计理念就是把和具体业务逻辑无关的东西抽离出来，形成一个框架，比如大数据的分片处理、数据的流转、任务的部署与执行等，开发者只需要按照框架的约束，开发业务逻辑代码，提交给框架执行就可以了。
3、数据收集和存储技术：这包括数据挖掘、数据清洗、数据预处理和数据仓库等技术，它们的作用是收集、整理和存储海量数据，确保数据为后续分析做好准备。 分布式计算技术：由于大数据的处理量巨大，分布式计算技术成为必要选择。
4、大数据云计算是将大数据处理框架和云计算技术相结合的一种创新型技术。与传统的大数据处理方式相比，大数据云计算具有以下几个特点：高效、灵活、安全和可靠。在这种技术下，大数据可以快速地被处理和存储，且能够根据需要扩展其处理能力。云计算技术中的资源共享和计费模式也使大数据云计算变得更加强大和灵活。
5、分布式计算，非结构化数据库，分类、聚类等算法。大数据包括结构化、半结构化和非结构化数据，非结构化数据越来越成为数据的主要部分。据IDC的调查报告显示：企业中80%的数据都是非结构化数据，这些数据每年都按指数增长60%。
6、分布式计算技术：由于数据量巨大，需要采用分布式计算技术来实现高效处理。Hadoop是目前最流行的分布式计算框架之一，它基于MapReduce算法实现了海量数据的并行处理。数据处理和分析技术：包括机器学习、数据挖掘、统计分析等技术，用于从大数据中挖掘出有价值的信息和知识。
评论