什么是数据准备？
对原始数据进行排序、清洗和结构化，以便在商业智能、分析和机器学习应用中更有效地加以利用，这一过程被称为数据准备……
对原始数据进行排序、清洗和结构化，以便在商业智能、分析和机器学习应用中更有效地加以利用，这一过程被称为数据准备。
数据有多种格式，但在本教程中，我们将重点介绍两种最常见的数据类型：文本数据和数值数据。
文本数据准备可消除语法和特定语境的文本错误，从而对大量文本档案进行归类整理，并从中挖掘相关洞察。
数值数据的标准化是一种常见做法。如果客户数据中的百分比同时以百分数（55%、80%）和小数（.55、.80）两种形式提交，智能数据准备工具就像一位聪明的数学家，能够识别出这些数字表达的是同一含义，并将其统一为一种格式。
由于句子及其组成词语随语言、语境和格式的不同而变化，文本往往存在噪声（电子邮件 vs 聊天记录 vs 在线评论）。因此，在生成文本数据时，通过消除重复术语、统一语义来"清洗"文本数据是非常有益的。
由于大多数机器学习算法要求数据以特定方式结构化，数据集在提供有价值的洞察之前几乎总是需要一定的预处理。部分数据集包含缺失值、无效值或算法难以处理的值。算法无法使用缺失数据。如果数据不正确，算法将产生不够精确甚至错误的结果。有些数据集相对干净，但需要重塑（例如聚合或旋转），而另一些数据集则缺乏有意义的业务上下文（例如定义不清的ID值），因此需要特征增强。良好的数据准备可以生成干净且经过精心整理的数据，从而产生更实用、更精准的模型输出。
数据准备步骤
在准备数据时应考虑以下五个步骤。
1. 收集数据
找到正确的数据是数据准备流程的第一步。这些数据可以从现有的数据目录中提取，也可以随时添加。
2. 评估和发现数据
只有了解自己所处理的数据，才能改进数据准备技术。数据发现工具的支出增速已超过标准IT解决方案的投资增速，表明它已成为首要支出优先项。发现数据意味着更深入地了解数据。"我能从数据中获取和学到什么？"以及"我是如何收集数据的？"都是相关问题的例子。确保使用正确的数据收集方法，对于成功的数据分析至关重要。
3. 清洗和验证数据
这是数据准备中最重要的步骤。您希望使用的数据应当直接且无误，以便Klassifier为您提供最佳结果，并以更高的成功率解决您的查询。
这包括对数据进行标准化，即确保格式易于理解、去除多余/不必要的信息，以及填补任何空缺。这正是数据准备软件发挥作用的地方，它可以发现低效之处并修复错误格式。
4. 数据增强
在这一阶段，您用于准备数据的方法最为关键。您现在可以根据发现阶段所确定的更清晰目标，通过补充缺失内容来丰富（即优化）您的数据。
数据转换是指更改格式或值输入，以实现特定结果或使数据对更广泛的受众更易于理解。通过添加数据并将其与其他相关信息关联起来，以提供更深入的洞察，称为数据增强。
我们的手动训练功能可帮助您随时添加输入内容，并在需要将更多信息性数据与分类流程关联时训练Klassifier机器人。
5. 存储数据
现在是时候将干净、有用的数据存储起来了。我们建议选择一种具有前瞻性的云端存储解决方案，以便您可以根据未来分析的需要随时调整数据准备参数。
数据准备对于从特定数据中获取期望结果来说可能颇为繁琐，但借助正确的工具，整个流程可以简化为数据科学家轻松完成的任务。选择最佳工具对于数据准备至关重要，选择合适的分类器以最大化数据价值同样不可或缺。因此，我们建议您在完成数据准备后，使用Klassifier进行分类。
