CN112101447B - 数据集的质量评估方法、装置、设备以及存储介质 - Google Patents

Abstract

本申请实施例公开了数据集的质量评估方法、装置、设备以及存储介质，涉及大数据技术领域。该数据集的质量评估方法的一具体实施方式包括：对数据集进行第一诊断，生成第一诊断报告，其中，第一诊断包括至少一条评估规则，评估规则表征数据集中样本的质量维度；对数据集进行第二诊断，生成第二诊断报告，其中，第二诊断包括至少一条评估规则，评估规则表征数据集中样本特征的质量维度；基于第一诊断报告和/或第二诊断报告，评估所述数据集的质量，从而实现对数据集进行系统的、全面的、多维度的质量诊断，及时发现数据中的异常样本和样本中的异常特征，提高数据集质量。

Description

数据集的质量评估方法、装置、设备以及存储介质

技术领域

本申请涉及计算机技术领域，具体涉及大数据技术领域，尤其涉及数据集的质量评估方法、装置、设备以及存储介质。

背景技术

在机器学习任务中，数据集的质量优劣对模型训练的结果影响很大，在一定程度上，数据质量决定模型的上限。目前对于数据集质量的评估，往往通过使用者根据自己对数据的理解，开发脚本对数据集进行简单的清洗，甚至使用者缺乏对数据质量的了解，就直接使用数据集进行模型训练，导致模型效果差。

发明内容

为了解决上述背景技术部分提到的一个或多个技术问题，本申请实施例提供了数据集的质量评估方法、装置、设备以及存储介质。

第一方面，本申请实施例提供了数据集的质量评估方法，包括：对数据集进行第一诊断，生成第一诊断报告，其中，所述第一诊断包括至少一条评估规则，所述评估规则表征数据集中样本的质量维度；对数据集进行第二诊断，生成第二诊断报告，其中，所述第二诊断包括至少一条评估规则，所述评估规则表征数据集中样本特征的质量维度；基于所述第一诊断报告和/或所述第二诊断报告，评估所述数据集的质量。

第二方面，本申请实施例提供了数据集的质量评估装置，包括：第一诊断模块，被配置为对数据集进行第一诊断，生成第一诊断报告，其中，所述第一诊断包括至少一条评估规则，所述评估规则表征数据集中样本的质量维度；第二诊断模块，被配置为对数据集进行第二诊断，生成第二诊断报告，其中，所述第二诊断包括至少一条评估规则，所述评估规则表征数据集中样本特征的质量维度；评估模块，被配置为基于所述第一诊断报告和/或所述第二诊断报告，评估所述数据集的质量。

第三方面，本申请实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。

本申请实施例提供的数据集的质量评估方法、装置、设备以及存储介质，首先对数据集进行第一诊断，生成第一诊断报告，其中，所述第一诊断包括至少一条评估规则，所述评估规则表征数据集中样本的质量维度；之后对数据集进行第二诊断，生成第二诊断报告，其中，所述第二诊断包括至少一条评估规则，所述评估规则表征数据集中样本特征的质量维度；最后基于所述第一诊断报告和/或所述第二诊断报告，评估所述数据集的质量，从而实现对数据集进行系统的、全面的、多维度的质量诊断，及时发现数据中的异常样本和样本中的异常特征，提高数据集质量。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的数据集的质量评估方法的一个实施例的流程示意图；

图3是根据本申请的对数据集的第一诊断方法的一个实施例的流程图；

图4是根据本申请的对数据集的第二诊断方法的一个实施例的流程图；

图5是本申请的数据集的质量评估装置的一个实施例的结构示意图；

图6是用来实现本申请实施例的数据集的质量评估方法的电子设备的框图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的数据集的质量评估方法或数据集的质量评估装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括存储设备101、网络102、服务器103。网络102用以在存储设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

存储设备101可以通过网络102与服务器103交互。存储设备101中可以提供数据集，包括但不限于数据库、用户终端等等。

服务器103可以提供各种服务，例如服务器103可以对从存储设备101获取到的数据集等数据进行分析等处理，生成处理结果(例如生成第一诊断报告和/或第二诊断报告)。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的数据集的质量评估方法一般由服务器103执行，相应地，数据集的质量评估装置一般设置于服务器103中。

应该理解，图1中的存储设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的存储设备、网络和服务器。

继续参考图2，示出了根据本申请的数据集的质量评估方法的一个实施例的流程200。该数据集的质量评估方法，包括以下步骤：

步骤201，对数据集进行第一诊断，生成第一诊断报告。

在本实施例中，数据集的质量评估方法的执行主体(例如图1所示的服务器103)可以对数据集进行第一诊断，其中，第一诊断包括至少一条评估规则，该评估规则表征数据集中样本的质量维度。机器学习算法需要作用于数据，数据的总体即为数据集(datasets)，例如，下图所示的一组数据集：

其中，每一行数据构成了一个样本，从第四列开始，每一列数据称为样本的一个维度特征，该数据集包含了三个样本，每个样本具有四个维度的特征。维度(质量维度中的维度)，即为评价数据的角度，质量维度即为评价数据质量好坏的角度。评估规则，即为评估算法，每条评估规则可以作用于数据集中的全部或部分数据。一条评估规则至少反映数据集中的全部或部分数据的至少一个质量维度，多条(两条以上)评估规则也可以反映数据集中的全部或部分数据的同一个质量维度。在本实施例中，对数据集的第一诊断是指将至少一个评估规则作用于数据集中的样本，生成反映数据集中样本质量好坏的第一诊断报告。

在本实施例的一些可选的实施方式中，样本的质量维度包括样本数量、样本缺失、样本漂移、样本冲突、样本重复中的至少一种。下面分别对每个质量维度进行说明：

样本数量是指数据集中包含的样本数量。在这里，可以统计数据集中的样本数量，并将统计后的总量反映到第一诊断报告上。优选地，可以将数据集中的样本进行区分，分为正样本和负样本，然后分别统计数据集中的正样本数量、负样本数量、总样本数量，并将统计后的结果反映到第一诊断报告上。将数据集中的样本区分为正样本和负样本，可以更全面地对数据集中的样本进行诊断。

样本缺少是指数据集中的样本丢失，通常而言，样本缺少的数量越多，数据集的质量越差。优选地，可以统计样本缺失的时间，并将样本缺失的具体日期反映到第一诊断报告上。

样本漂移是样本失真的一种情形，例如样本数量漂移。样本数量漂移表示样本随时间的变化程度，通常而言，样本数量漂移的数值越小表示样本越稳定，样本的质量就越高。优选地，可以将数据集中的样本按照时间跨度等分为N组，其中N为正整数，然后统计出每个时间跨度内的样本数量，并计算出各个组的样本数的标准差和均值，两者相除得到离散系数，最后将离散系数反映在第一诊断报告上。优选地，可以将数据集中的样本进行区分，分为正样本和负样本，然后分别计算总样本数量漂移、正样本数量漂移、负样本数量漂移，并将计算后的结果反映到第一诊断报告上。优选地，可以计算正样本占比漂移，并将正样本占比漂移反映到第一诊断报告上。例如，可以按照时间顺序对数据集中的数据进行排序，并分别按数量等分为N组，其中N为正整数，然后统计出每个时间段内的正样本占比(正样本数量除以总样本数量)，并计算出各组的正样本占比标准差和均值，两者相除得到离散系数，最后将离散系统反映到第一诊断报告上。

样本冲突是指数据集中的多个样本的身份识别符(ID)和特征完全相同，只有标签不同(例如二分类问题中的0或1标签)。通常而言，数据集中的样本冲突越多，数据集的质量越低。优选地，可以将数据集中的样本进行区分，分为正样本和负样本，然后分别统计或计算总样本冲突数量、总样本冲突率、正样本冲突数量、正样本冲突率、负样本冲突数量、负样本冲突率，并将统计或计算的结果反映到第一诊断报告上。

样本重复是指数据集中的多个样本的身份识别符(ID)、特征、标签完全相同。通常而言，数据集中的样本重复越多，数据集的质量越低。优选地，可以将数据集中的样本进行区分，分为正样本和负样本，然后分别统计或计算总样本重复数量、总样本重复率、正样本重复数量、正样本重复率、负样本重复数量、负样本重复率，并将统计或计算的结果反映到第一诊断报告上。

步骤202，对数据集进行第二诊断，生成第二诊断报告。

在本实施例中，上述执行主体可以对数据集进行第二诊断，生成第二诊断报告。其中，第二诊断包括至少一条评估规则，该评估规则表征数据集中样本特征的质量维度。在本实施例中，对数据集的第二诊断是指将至少一个评估规则作用于数据集中的样本特征，生成反映数据集中样本特征质量好坏的第二诊断报告。

在本实施例的一些可选的实施方式中，样本特征的质量维度包括特征漂移、特征缺失、特征覆盖、特征值权重、特征稳定性、特征重要性中的至少一种。下面分别对每个质量维度进行说明：

特征漂移是指数据集中的样本特征失真的一种情形，示例性地，特征漂移表示特征随时间的变化程度，通常而言，特征漂移的数值越小表示特征越稳定，样本特征的质量就越高。优选地，按照时间顺序对数据集中的数据进行排序，并分别按数量等分为N组，其中N为正整数，然后统计出该维度特征在各组特征数据的覆盖率，并计算各组覆盖率的标准差和均值，两者相除得到离散系数，最后将离散系数反映在第二诊断报告上。优选地，可以将数据集中的样本进行区分，分为正样本和负样本，然后分别计算样本中某个维度特征的总样本特征漂移、正样本特征漂移、负样本特征漂移，并将计算后的结果反映到第二诊断报告上。将数据集中的样本区分为正样本和负样本，可以更全面地对数据集中的样本特征进行诊断。优选地，按照时间顺序对数据集中的数据进行排序，并分别按数量等分为N组，其中N为正整数，然后分别统计该维度特征在各组数据正样本出现的数量，计算特征在各组数据正样本出现的数量的标准差和均值，两者相除得到离散系数，并将离散系数反映到第二诊断报告上。

特征缺失，指数据集中的样本的某个维度特征丢失，通常而言，特征缺失的数量越多，数据集的质量越差。优选地，可以按照相同的时间跨度(例如，以月份为单位)对样本中的某维度特征进行统计，计算该维度特征在时间跨度内的覆盖率；若该维度特征在某一个时间跨度内不存在，则该维度特征在该时间跨度内缺失；并将在时间跨度内缺失的特征反映到第二诊断报告上。

特征覆盖是指数据集中样本的某个维度特征在样本中覆盖情况，例如某个维度特征在数据集中正样本或负样本的覆盖率。优选地，计算某个维度特征在正样本和负样本的覆盖率差异，并将覆盖率差异结果反映到第二诊断报告上。通常而言，正负样本覆盖率差异越大，说明该维度特征在正负样本上的区分度越高，这表明该维度特征的价值越高。

特征值权重是指数据集中样本的某个维度特征的特征值在样本中的平均权重。例如某个维度特征的特征值在数据集中正样本或负样本的平均权重。优选地，计算某个维度特征的特征值在正样本和负样本的特征值权重差异，并将特征值权重差异结果反映到第二诊断报告上。通常而言，正负样本特征值权重差异越大，说明该维度特征在正负样本上的区分度越高，这表明该维度特征的价值越高。

特征稳定性是指数据集中样本的某个维度特征在正样本和负样本分布的均匀性。通常而言，特征稳定性越高，该维度特征在正样本和负样本之间的分布越均匀。优选地，按照时间顺序对数据集中的数据进行排序，并分别按数量等分为N组，其中N为正整数，每组数据分别计算该维度特征在正样本、负样本的覆盖率或该维度特征的特征值在正样本、负样本的平均权重，并将计算结果反映到第二诊断报告上。例如，将数据按时间排序，然后按数量等分为10组，每组数据分别计算某维特征在正样本、负样本的覆盖率，某维特征特征值在正样本、负样本的平均权重；计算某维特征在每组数据中正、负样本上的覆盖率差异和特征权重值的差异，计算各组间的覆盖率差异的离散系数或各组的特征值权重差异的离散系数；若离散系数大于设定的阈值，则该维特征被判定为不稳定特征。

在机器学习的二分类问题中，特征变量IV值(Information Value)主要用来对输入变量进行编码和预测能力评估。特征变量IV值的大小即表示该变量预测能力的强弱。IV值的取值范围是[0,正无穷)，如果当前分组中只包含响应客户或者未响应客户时，IV值等于正无穷。通过计算特征的IV值，可以预估特征的重要性。优选地，可以通过无监督方式预估特征IV值，并将该IV值反映到第二诊断报告上。

步骤203，基于第一诊断报告和/或第二诊断报告，评估数据集的质量。

在本实施例中，数据集的质量评估方法的执行主体(例如图1所示的服务器103)可以基于第一诊断报告和/或第二诊断报告，评估数据集的质量。具体地，将表征数据集质量维度的评估规则作用于数据集中的全部或部分数据，然后基于生成的结果评估数据集的质量。例如，计算出总样本数量的离散系数后，为该离散系数设定一个阈值，当总样本数量的离散系数大于设定的阈值时，输出数据集质量不合格的结果。同理，例如，在计算出数据集中正样本的某个维度特征的离散系数后，为该离散系数设定一个阈值，当该维度特征的离散系数大于设定的阈值时，输出该维度特征质量不合格的结果。

再例如，计算出总样本的样本重复率后，为该样本重复率设定一个阈值，当总样本的样本重复率大于预定的阈值时，输出数据集质量不合格的结果。再例如，计算出数据集中样本的某个维度特征的IV值后，基于IV值的大小预估该维度特征的预测能力。示例性地，特征的IV值与特征预测能力的对应关系如下表所示：

与现有技术相比，本申请实施例提供了一种系统的、全面的、多维的数据质量诊断方法，通过对数据的第一诊断和第二诊断，可以发现数据中存在的问题，过滤掉异常样本和样本中的异常特征，提高数据集质量，提高建模效果和效率。

图3示出了根据本申请的对数据集的第一诊断方法的一个实施例的流程图。

如图3所示，对数据集的第一诊断包括：

步骤301：总样本、正样本、负样本数量统计；

步骤302：统计样本缺失时间；

步骤303：计算总样本数量漂移；

步骤304：计算正样本数量漂移；

步骤305：计算正样本占比漂移；

步骤306：总样本冲突情况检测；

步骤307：总样本重复情况检测；

步骤308：正样本、负样本重复情况检测。

通过对数据集中的样本适用多种评估规则，可以更加全面地、系统地反映数据集中样本的质量。

图4示出了根据本申请的对数据集的第二诊断方法的一个实施例的流程图。

如图4所示，对数据集的第二诊断包括：

步骤401：总样本特征漂移；

步骤402：正样本特征漂移；

步骤403：特征缺失检测；

步骤404：样本特征数目漂移；

步骤405：正负样本特征覆盖差异；

步骤406：正负样本特征加权差异；

步骤407：正负样本特征稳定性差异；

步骤408：无监督预估特征重要性。

通过对数据集中的样本特征适用多种评估规则，可以更加全面地、系统地反映数据集中样本特征的质量。

在本申请的另一实施例中，可以首先对数据集进行第一诊断，生成第一诊断报告，然后基于第一诊断报告对数据集中的样本质量进行评估。当评估结果为数据集质量不合格时，则不再对数据集进行第二诊断，直接输出数据集质量不合格的结果。例如，可以将数据集中的样本按照时间跨度等分为N组，其中N为正整数，然后统计出每个时间跨度内的样本数量，并计算出各个组的样本数量的标准差和均值，两者相除得到离散系数。之后，为该离散系数设定一个阈值，当样本数量的离散系数大于设定的阈值时，则不再对数据集进行第二诊断，直接输出数据集质量不合格的结果，并给予被判定不合格的原因。由于对数据集的第一诊断为针对数据集中样本的诊断，该诊断为对数据的基础诊断，当对数据的基础诊断结果为质量不合格时，该数据的价值极小，此时停止对数据集进行下一步的诊断可以节约资源，提高诊断效率。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种数据集的质量评估的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的数据集的质量评估装置500可以包括：第一诊断模块501、第二诊断模块502、评估模块503。其中，第一诊断模块501，被配置为对数据集进行第一诊断，生成第一诊断报告，其中，所述第一诊断包括至少一条评估规则，所述评估规则表征数据集中样本的质量维度；第二诊断模块502，被配置为对数据集进行第二诊断，生成第二诊断报告，其中，所述第二诊断包括至少一条评估规则，所述评估规则表征数据集中样本特征的质量维度；评估模块503，被配置为基于所述第一诊断报告和/或所述第二诊断报告，评估所述数据集的质量。

在本实施例中，数据集的质量评估装置500中：第一诊断模块501、第二诊断模块502、评估模块503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，所述样本的质量维度包括样本数量、样本缺失、样本漂移、样本冲突、样本重复中的至少一种。

在本实施例的一些可选的实现方式中，所述样本特征的质量维度包括特征漂移、特征缺失、特征覆盖、特征值权重、特征稳定性、特征重要性中的至少一种。

在本实施例的一些可选的实现方式中，所述第一诊断报告至少包括数据集中样本数量漂移的第一离散系数；以及所述第一诊断模块进一步被配置为：将所述第一离散系数高于第一预定阈值的样本作为质量不合格的样本。

在本实施例的一些可选的实现方式中，所述第二诊断报告至少包括数据集中样本特征漂移的第二离散系数；以及所述第二诊断模块进一步被配置为：将所述第二离散系数高于第二预定阈值的样本特征作为质量不合格的样本特征。

在本实施例的一些可选的实现方式中，所述第二诊断模块进一步被配置为：若基于所述第一诊断报告对数据集进行质量评估的结果为合格，对数据集进行第二诊断，生成第二诊断报告。

在本实施例的一些可选的实现方式中，所述装置还包括：区分模块，被配置为对数据集中的样本进行区分，得到数据集中的正样本和负样本。

如图6所示，是根据本申请实施例数据集的质量评估方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。

存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的数据集的质量评估方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的数据集的质量评估方法。

存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的数据集的质量评估方法对应的程序指令/模块(例如，附图5所示的第一诊断模块501、第二诊断模块502、评估模块503)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的数据集的质量评估方法。

存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据数据集的质量评估方法的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至数据集的质量评估方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

数据集的质量评估方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。

输入装置603可接收输入的数字或字符信息，以及产生与数据集的质量评估方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请的技术方案，首先对数据集进行第一诊断，生成第一诊断报告，其中，所述第一诊断包括至少一条评估规则，所述评估规则表征数据集中样本的质量维度；之后对数据集进行第二诊断，生成第二诊断报告，其中，所述第二诊断包括至少一条评估规则，所述评估规则表征数据集中样本特征的质量维度；最后基于所述第一诊断报告和/或所述第二诊断报告，评估所述数据集的质量，从而实现对数据集进行系统的、全面的、多维度的质量诊断，及时发现数据中的异常样本和样本中的异常特征，提高数据集质量。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (10)

1.一种数据集的质量评估方法，包括：

对数据集中的样本进行区分，得到数据集中的正样本和负样本；

对数据集进行第一诊断，生成第一诊断报告，其中，所述第一诊断包括多条评估规则，所述评估规则表征数据集中样本的质量维度，所述样本的质量维度包括样本数量、样本缺失、样本漂移、样本冲突、样本重复，其中，样本漂移包括样本数量漂移，样本数量漂移表示样本随时间的变化程度；样本冲突是指数据集中的多个样本的身份识别符和特征完全相同，只有标签不同；第一诊断报告中记录正样本、负样本和总样本的数量，样本缺失时间，正样本、负样本和总样本的数量漂移，正样本、负样本和总样本的冲突数量与冲突率，正样本、负样本和总样本的重复数量与重复率；

对数据集进行第二诊断，生成第二诊断报告，其中，所述第二诊断包括多条评估规则，所述评估规则表征数据集中样本特征的质量维度，所述样本特征的质量维度包括特征漂移、特征缺失、特征覆盖、特征值权重、特征稳定性、特征重要性，其中，特征漂移表示特征随时间的变化程度；特征覆盖是指数据集中样本的某个维度特征在样本中覆盖情况；特征值权重是指数据集中样本的某个维度特征的特征值在样本中的平均权重；特征稳定性是指数据集中样本的某个维度特征在正样本和负样本分布的均匀性；第二诊断报告中记录正样本特征、负样本特征和总样本特征的漂移，某时间跨度内缺失的特征，某维度特征在正样本和负样本的覆盖率差异，某个维度特征的特征值在正样本和负样本的特征值权重差异，某维度特征在正样本、负样本的覆盖率或该维度特征的特征值在正样本、负样本的平均权重，通过无监督方式预估的特征信息值；

基于所述第一诊断报告和所述第二诊断报告，评估所述数据集的质量。

2.根据权利要求1所述的方法，其中，所述第一诊断报告至少包括数据集中样本数量漂移的第一离散系数；以及所述基于所述第一诊断报告，评估所述数据集的质量，包括：

将所述第一离散系数高于第一预定阈值的样本作为质量不合格的样本。

3.根据权利要求1所述的方法，其中，所述第二诊断报告至少包括数据集中样本特征漂移的第二离散系数；以及所述基于所述第二诊断报告，评估所述数据集的质量，包括：

将所述第二离散系数高于第二预定阈值的样本特征作为质量不合格的样本特征。

4.根据权利要求1所述的方法，其中，所述对数据集进行第二诊断，生成第二诊断报告还包括：

若基于所述第一诊断报告对数据集进行质量评估的结果为合格，对数据集进行第二诊断，生成第二诊断报告。

5.一种数据集的质量评估装置，其特征在于，所述装置包括：

区分模块，被配置为对数据集中的样本进行区分，得到数据集中的正样本和负样本；

第一诊断模块，被配置为对数据集进行第一诊断，生成第一诊断报告，其中，所述第一诊断包括多条评估规则，所述评估规则表征数据集中样本的质量维度，所述样本的质量维度包括样本数量、样本缺失、样本漂移、样本冲突、样本重复，其中，样本漂移包括样本数量漂移，样本数量漂移表示样本随时间的变化程度；样本冲突是指数据集中的多个样本的身份识别符和特征完全相同，只有标签不同，第一诊断报告中记录统计的正样本、负样本和总样本的数量，样本缺失时间，正样本、负样本和总样本的数量漂移，正样本、负样本和总样本的冲突数量与冲突率，正样本、负样本和总样本的重复数量与重复率；

第二诊断模块，被配置为对数据集进行第二诊断，生成第二诊断报告，其中，所述第二诊断包括多条评估规则，所述评估规则表征数据集中样本特征的质量维度，所述样本特征的质量维度包括特征漂移、特征缺失、特征覆盖、特征值权重、特征稳定性、特征重要性，其中，特征漂移表示特征随时间的变化程度；特征覆盖是指数据集中样本的某个维度特征在样本中覆盖情况；特征值权重是指数据集中样本的某个维度特征的特征值在样本中的平均权重；特征稳定性是指数据集中样本的某个维度特征在正样本和负样本分布的均匀性；第二诊断报告中记录正样本特征、负样本特征和总样本特征的漂移，某时间跨度内缺失的特征，某维度特征在正样本和负样本的覆盖率差异，某个维度特征的特征值在正样本和负样本的特征值权重差异，某维度特征在正样本、负样本的覆盖率或该维度特征的特征值在正样本、负样本的平均权重，通过无监督方式预估的特征信息值；

评估模块，被配置为基于所述第一诊断报告和所述第二诊断报告，评估所述数据集的质量。

6.根据权利要求5所述的装置，所述第一诊断报告至少包括数据集中样本数量漂移的第一离散系数；以及所述第一诊断模块进一步被配置为：

将所述第一离散系数高于第一预定阈值的样本作为质量不合格的样本。

7.根据权利要求5所述的装置，所述第二诊断报告至少包括数据集中样本特征漂移的第二离散系数；以及所述第二诊断模块进一步被配置为：

将所述第二离散系数高于第二预定阈值的样本特征作为质量不合格的样本特征。

8.根据权利要求5所述的装置，所述第二诊断模块进一步被配置为：若基于所述第一诊断报告对数据集进行质量评估的结果为合格，对数据集进行第二诊断，生成第二诊断报告。

9.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。