CN112925785A - 数据清洗方法和装置 - Google Patents
数据清洗方法和装置 Download PDFInfo
- Publication number
- CN112925785A CN112925785A CN202110336886.7A CN202110336886A CN112925785A CN 112925785 A CN112925785 A CN 112925785A CN 202110336886 A CN202110336886 A CN 202110336886A CN 112925785 A CN112925785 A CN 112925785A
- Authority
- CN
- China
- Prior art keywords
- data
- initial
- sample
- training
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004140 cleaning Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 151
- 230000002159 abnormal effect Effects 0.000 claims abstract description 53
- 238000013145 classification model Methods 0.000 claims abstract description 26
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 230000005856 abnormality Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 6
- 238000005406 washing Methods 0.000 claims description 4
- 238000011086 high cleaning Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种数据清洗方法和装置，涉及自动程序设计技术领域。该方法的一具体实施方式包括：获取不具有标签值的多个初始数据样本；将每一初始数据样本输入预先训练完成的样本分类模型，得到每一初始数据样本的初始标签值；其中，所述初始标签值包括：初步正常和初步异常，每一初始数据样本与该初始数据样本的初始标签值形成初始训练样本；依据所述多个初始数据样本对应的初始训练样本训练预设的数据清洗模型；获取待清洗数据；将待清洗数据输入训练完成的数据清洗模型，得到所述待清洗数据中的异常数据，将所述异常数据去除。该实施方式能够基于机器学习模型精确识别异常样本，并且具有较高的清洗效率。
Description
技术领域
本发明涉及自动程序设计技术领域，尤其涉及一种数据清洗方法和装置。
背景技术
数据清洗是数据分析过程中不可缺少的一个环节，其结果直接影响后续计算效果和计算结论。目前，一般通过以下步骤进行数据清洗：首先分析待清洗的海量数据中的关键要素，根据关键要素制定固定的清洗规则，之后根据制定的清洗规则对待清洗样本逐条进行清洗，符合规则的识别为正常样本，不符合规则的识别为异常样本，最后清理异常样本，保留正常样本。
在实现本发明的过程中，发明人发现现有技术至少存在以下问题：过度依赖于清洗规则，对异常样本的识别不够精确，容易误伤正常样本；另外，使用机械的规则清洗机制，处理海量样本时清洗效率不高。
发明内容
有鉴于此，本发明实施例提供一种数据清洗方法和装置，能够基于机器学习模型精确识别异常样本，并且具有较高的清洗效率。
为实现上述目的，根据本发明的一个方面，提供了一种数据清洗方法。
本发明实施例的数据清洗方法包括：获取不具有标签值的多个初始数据样本；将每一初始数据样本输入预先训练完成的样本分类模型，得到每一初始数据样本的初始标签值；其中，所述初始标签值包括：初步正常和初步异常，每一初始数据样本与该初始数据样本的初始标签值形成初始训练样本；依据所述多个初始数据样本对应的初始训练样本训练预设的数据清洗模型；获取待清洗数据；将待清洗数据输入训练完成的数据清洗模型，得到所述待清洗数据中的异常数据，将所述异常数据去除。
可选地，所述依据所述多个初始数据样本对应的初始训练样本训练预设的数据清洗模型，包括：通过人工标记方式确定初始标签值为初步异常的初始训练样本的最终标签值，最终标签值包括最终正常和最终异常，每一初始数据样本与该初始数据样本对应的最终标签值形成真实训练样本；将初始标签值是初步正常的初始训练样本确定为最终标签值是最终正常的真实训练样本；使用真实训练样本训练所述数据清洗模型。
可选地，所述使用真实训练样本训练所述数据清洗模型，包括：将每一真实训练样本的初始数据样本部分作为训练输入数据、最终标签值部分作为训练指向数据来训练所述数据清洗模型。
可选地，所述将待清洗数据输入训练完成的数据清洗模型，得到所述待清洗数据中的异常数据，包括：将每一待清洗数据输入训练完成的数据清洗模型，根据所述数据清洗模型的输出结果判断该待清洗数据是否为异常数据。
可选地，所述样本分类模型为基于高斯混合模型GMM的机器学习模型，所述数据清洗模型为基于LightGBM算法的机器学习模型。
为实现上述目的，根据本发明的另一方面，提供了一种数据清洗装置。
本发明实施例的数据清洗装置可包括：样本获取单元，用于获取不具有标签值的多个初始数据样本；样本分类单元，用于将每一初始数据样本输入预先训练完成的样本分类模型，得到每一初始数据样本的初始标签值；其中，所述初始标签值包括：初步正常和初步异常，每一初始数据样本与该初始数据样本的初始标签值形成初始训练样本；训练单元，用于依据所述多个初始数据样本对应的初始训练样本训练预设的数据清洗模型；清洗单元，用于获取待清洗数据；将待清洗数据输入训练完成的数据清洗模型，得到所述待清洗数据中的异常数据，将所述异常数据去除。
可选地，所述训练单元可进一步用于：通过人工标记方式确定初始标签值为初步异常的初始训练样本的最终标签值，最终标签值包括最终正常和最终异常，每一初始数据样本与该初始数据样本对应的最终标签值形成真实训练样本；将初始标签值是初步正常的初始训练样本确定为最终标签值是最终正常的真实训练样本；使用真实训练样本训练所述数据清洗模型。
可选地，所述训练单元可进一步用于：将每一真实训练样本的初始数据样本部分作为训练输入数据、最终标签值部分作为训练指向数据来训练所述数据清洗模型。
可选地，所述清洗单元可进一步用于：将每一待清洗数据输入训练完成的数据清洗模型，根据所述数据清洗模型的输出结果判断该待清洗数据是否为异常数据。
可选地，所述样本分类模型为基于高斯混合模型GMM的机器学习模型，所述数据清洗模型为基于LightGBM算法的机器学习模型。
为实现上述目的，根据本发明的又一方面，提供了一种电子设备。
本发明的一种电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明所提供的数据清洗方法。
为实现上述目的，根据本发明的再一方面，提供了一种计算机可读存储介质。
本发明的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明所提供的数据清洗方法。
根据本发明的技术方案，上述发明中的实施例具有如下优点或有益效果：
获取不具有标签值的多个初始数据样本；将每一初始数据样本输入预先训练完成的样本分类模型，得到每一初始数据样本的初始标签值，每一初始数据样本与该初始数据样本的初始标签值形成初始训练样本；依据所述多个初始数据样本对应的初始训练样本训练预设的数据清洗模型；获取待清洗数据；将待清洗数据输入训练完成的数据清洗模型，得到所述待清洗数据中的异常数据，将所述异常数据去除。通过以上方式，能够利用基于机器学习算法的数据清洗模型精确甄别异常样本和正常样本，同时在面对海量待清洗数据时具有较高的清洗效率。另外，针对用于训练数据清洗模型的训练样本，现有技术中完全依赖人工为训练样本打标(即设置标签值)，这样效率较低且成本较高，在本发明实施例中，使用预先训练的样本分类模型自动为不具有标签值的初始数据样本打标，并对样本分类模型打标为异常(即初始标签值为初步异常)的样本由人工重新打标，在此基础上形成用于训练数据清洗模型的真实训练样本，由此极大减轻了人工处理工作量，提高了数据清洗效率以及数据清洗模型的异常鉴别能力。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是本发明实施例中数据清洗方法的主要步骤示意图；
图2是本发明实施例中数据清洗模型的训练步骤和使用步骤示意图；
图3是本发明实施例中数据清洗装置的组成部分示意图；
图4是根据本发明实施例可以应用于其中的示例性系统架构图；
图5是用来实现本发明实施例中数据清洗方法的电子设备结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要指出的是，在不冲突的情况下，本发明的实施例以及实施例中的技术特征可以相互结合。
图1是根据本发明实施例中数据清洗方法的主要步骤示意图。
如图1所示，本发明实施例的数据清洗方法可具体按照如下步骤执行：
步骤S101：获取不具有标签值的多个初始数据样本。
数据清洗是数据分析过程中不可缺少的一个环节，其结果直接影响后续计算效果和计算结论。目前，一般通过以下步骤进行数据清洗：首先分析待清洗的海量数据中的关键要素，根据关键要素制定固定的清洗规则，之后根据制定的清洗规则对待清洗样本逐条进行清洗，符合规则的识别为正常样本，不符合规则的识别为异常样本，最后清理异常样本，保留正常样本。
在现有的数据清洗技术中，至少存在以下问题：过度依赖于清洗规则，对异常样本的识别不够精确，容易误伤正常样本；另外，使用机械的规则清洗机制，处理海量样本时清洗效率不高。
在本发明实施例中，每一初始数据样本中都包括多个字段的数据，标签值指的是表征初始数据样本所属类别的数据，例如，根据不同的分类维度，标签值可以是正常样本、异常样本，也可以是前端数据、后端数据等。
步骤S102：将每一初始数据样本输入预先训练完成的样本分类模型，得到每一初始数据样本的初始标签值；其中，初始标签值包括：初步正常和初步异常，每一初始数据样本与该初始数据样本的初始标签值形成初始训练样本。
在本步骤中，样本分类模型可以是基于机器学习算法、并使用已知的训练集预先训练完成的数学模型，较佳地，样本分类模型可以是基于GMM(Gaussian Mixed Model，高斯混合模型)的模型。在人工智能技术领域，GMM是多个高斯分布函数的线性组合，理论上GMM可以拟合出任意类型的分布，通常用于解决同一集合下的数据包含多种不同分布情况的问题。GMM能够输出对应于每一类别的概率，可用于聚类和概率密度估计，是混合模型学习算法中执行较快的算法。可以理解，样本分类模型也可以使用其它适用的机器学习算法构建。
实际应用中，初始标签值与后续将要说明的最终标签值相对而言，指的是由样本分类模型的输出结果确定的标签值。
步骤S103：依据多个初始数据样本对应的初始训练样本训练预设的数据清洗模型。
图2是本发明实施例中数据清洗模型的训练步骤和使用步骤示意图，如图2所示，可以通过以下步骤训练数据清洗模型。
在得到初始训练样本之后，首先针对初始标签值为初步异常的初始训练样本，通过人工标记方式确定以上初始训练样本的最终标签值。在本发明实施例中，最终标签值指的是在训练数据清洗模型之前最终确定的标签值，可以认为最终标签值具有较高的准确性。最终标签值包括最终正常和最终异常，每一初始数据样本与该初始数据样本对应的最终标签值形成真实训练样本。也就是说，对于上述样本分类模型输出的初步异常对应的每一训练样本，不考虑该初始标签值由人工重新打标，确定其最终标签值为最终正常还是最终异常。
针对初始标签值是初步正常的初始训练样本，可以不经人工打标直接认定为真实训练样本，相应的最终标签值为最终正常。在获得以上真实训练样本之后，使用真实训练样本训练数据清洗模型，即将每一真实训练样本的初始数据样本部分作为训练输入数据、最终标签值部分作为训练指向数据来训练数据清洗模型。
具体应用中，数据清洗模型为基于LightGBM(Light Gradient BoostingMachine，轻量梯度提升机)算法的机器学习模型。LigthGBM是对GBDT(Gradient BoostingDecision Tree，梯度提升决策树)的高效实现，其原理与GBDT、XGBoost类似，都采用损失函数的负梯度作为当前决策树的残差近似值去拟合新的决策树。LightGBM在以下方面比XGBoost表现得更为优秀：更快的训练效率、低内存使用、更高的准确率、支持并行化学习、可处理大规模数据、支持直接使用category特征(分类特征)。可以理解，以上数据清洗模型也可以使用LigthGBM之外的其它适用算法进行构建。
步骤S104：获取待清洗数据；将待清洗数据输入训练完成的数据清洗模型，得到待清洗数据中的异常数据，将异常数据去除。
在本步骤中，获取到待清洗数据之后，可以将每一待清洗数据输入训练完成的数据清洗模型，根据数据清洗模型的输出结果判断该待清洗数据是否为异常数据，这样，即可确定待清洗数据中的异常数据。最后，将这些异常数据去除，即可实现待清洗数据的清洗。
以下以待清洗数据是海量的房源数据为例进一步说明本发明的技术方案，具体执行步骤如下：
第一步：初始数据样本的准备。
1、选取出售房源的数据样本，根据价格更新频率进行选取，例如选取最近三个月的数据样本。
2、数据样本的字段选取：
A、必要字段：城市、区域、小区名、挂牌日期、总价、面积、房源网站、单价、物业类型、总楼层、房型。
B、参考字段：地址、所在楼层、装修、朝向。
3、城市字段和区域字段处理：
A、通过行政区域库与房源样本库进行对比，确定城市信息是否正确。
B、去除错误城市信息。
C、将非标准城市名称映射为标准城市名称。
D、确定区域信息是否正确。
E、去除错误区域信息。
F、将非标准区域名称映射为标准区域名称。
4、小区名字段处理：
A、对小区名为地址信息的数据进行处理，通过数据地址匹配到小区名。
B、如果小区名称为模糊数据进行去除。
C、对于目前不存在的小区名称，核实后进行增加。
第二步：通过基于高斯混合模型GMM的样本分类模型对初始数据样本进行打标。
1、增加以下字段：房源样本单价、小区周边1公里范围的房源样本均价、房源样本单价与小区周边1公里范围的房源样本均价的比值。
2、使用样本分类模型对初始数据样本进行分类，一类为初步正常，一类为初步异常。
3、对输出的初步异常的数据进行人工重新打标，人工确定的最终标签值可以包括无效房源、商住楼、别墅、小产权房，其中无效房源为最终异常的最终标签值，商住楼、别墅、小产权房为最终正常的最终标签值。
4、确定样本分类模型输出的初步正常的数据的最终标签值为有效房源，有效房源为最终正常的最终标签值，从而形成真实训练样本。
第三步：对相应数据进行归一化处理以及z分数标准化处理。
第四步：训练基于lightGBM的数据清洗模型。
1、使用最终标签值为无效房源、有效房源、商住楼、别墅、小产权房的真实训练样本训练基于lightGBM的数据清洗模型。
2、依据经验对模型的迭代次数、学习率、树深度、叶数量、模型评估方法等进行相应设置。
3、对模型进行评估，并根据评估结果对模型进行参数优化。
4、根据字段重要性对各字段进行排序，并输出训练完成的数据清洗模型。
5、利用增量数据迭代训练数据清洗模型以实现数据清洗模型的不断优化。
第五步：将待清洗的海量数据输入数据清洗模型进行清洗，即获取每一数据对应于无效房源、有效房源、商住楼、别墅还是小产权房，将其中对应于无效房源的数据去除。
在本发明实施例的技术方案中，获取不具有标签值的多个初始数据样本；将每一初始数据样本输入预先训练完成的样本分类模型，得到每一初始数据样本的初始标签值，每一初始数据样本与该初始数据样本的初始标签值形成初始训练样本；依据所述多个初始数据样本对应的初始训练样本训练预设的数据清洗模型；获取待清洗数据；将待清洗数据输入训练完成的数据清洗模型，得到所述待清洗数据中的异常数据，将所述异常数据去除。通过以上方式，能够利用基于机器学习算法的数据清洗模型精确甄别异常样本和正常样本，同时在面对海量待清洗数据时具有较高的清洗效率。另外，针对用于训练数据清洗模型的训练样本，现有技术中完全依赖人工为训练样本打标(即设置标签值)，这样效率较低且成本较高，在本发明实施例中，使用预先训练的样本分类模型自动为不具有标签值的初始数据样本打标，并对样本分类模型打标为异常(即初始标签值为初步异常)的样本由人工重新打标，在此基础上形成用于训练数据清洗模型的真实训练样本，由此极大减轻了人工处理工作量，提高了数据清洗效率以及数据清洗模型的异常鉴别能力。
需要说明的是，对于前述的各方法实施例，为了便于描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，某些步骤事实上可以采用其它顺序进行或者同时进行。此外，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是实现本发明所必须的。
为便于更好的实施本发明实施例的上述方案，下面还提供用于实施上述方案的相关装置。
请参阅图3所示，本发明实施例提供的数据清洗装置300可以包括：样本获取单元301、样本分类单元302、训练单元303和清洗单元304。
其中，样本获取单元301可用于获取不具有标签值的多个初始数据样本；样本分类单元302可用于将每一初始数据样本输入预先训练完成的样本分类模型，得到每一初始数据样本的初始标签值；其中，所述初始标签值包括：初步正常和初步异常，每一初始数据样本与该初始数据样本的初始标签值形成初始训练样本；训练单元303可用于依据所述多个初始数据样本对应的初始训练样本训练预设的数据清洗模型；清洗单元304可用于获取待清洗数据；将待清洗数据输入训练完成的数据清洗模型，得到所述待清洗数据中的异常数据，将所述异常数据去除。
在本发明实施例中，所述训练单元303可进一步用于：通过人工标记方式确定初始标签值为初步异常的初始训练样本的最终标签值，最终标签值包括最终正常和最终异常，每一初始数据样本与该初始数据样本对应的最终标签值形成真实训练样本；将初始标签值是初步正常的初始训练样本确定为最终标签值是最终正常的真实训练样本；使用真实训练样本训练所述数据清洗模型。
具体应用中，所述训练单元303可进一步用于：将每一真实训练样本的初始数据样本部分作为训练输入数据、最终标签值部分作为训练指向数据来训练所述数据清洗模型。
在一个实施例中，所述训练单元303可以通过以下步骤训练数据清洗模型。在得到初始训练样本之后，首先针对初始标签值为初步异常的初始训练样本，通过人工标记方式确定以上初始训练样本的最终标签值。在本发明实施例中，最终标签值指的是在训练数据清洗模型之前最终确定的标签值，可以认为最终标签值具有较高的准确性。最终标签值包括最终正常和最终异常，每一初始数据样本与该初始数据样本对应的最终标签值形成真实训练样本。也就是说，对于上述样本分类模型输出的初步异常对应的每一训练样本，不考虑该初始标签值由人工重新打标，确定其最终标签值为最终正常还是最终异常。
针对初始标签值是初步正常的初始训练样本，可以不经人工打标直接认定为真实训练样本，相应的最终标签值为最终正常。在获得以上真实训练样本之后，使用真实训练样本训练数据清洗模型，即将每一真实训练样本的初始数据样本部分作为训练输入数据、最终标签值部分作为训练指向数据来训练数据清洗模型。
具体应用中，数据清洗模型为基于LightGBM(Light Gradient BoostingMachine，轻量梯度提升机)算法的机器学习模型。LigthGBM是对GBDT(Gradient BoostingDecision Tree，梯度提升决策树)的高效实现，其原理与GBDT、XGBoost类似，都采用损失函数的负梯度作为当前决策树的残差近似值去拟合新的决策树。LightGBM在以下方面比XGBoost表现得更为优秀：更快的训练效率、低内存使用、更高的准确率、支持并行化学习、可处理大规模数据、支持直接使用category特征(分类特征)。可以理解，以上数据清洗模型也可以使用LigthGBM之外的其它适用算法进行构建。
作为一个优选方案，所述清洗单元304可进一步用于：将每一待清洗数据输入训练完成的数据清洗模型，根据所述数据清洗模型的输出结果判断该待清洗数据是否为异常数据。
此外，在本发明实施例中，所述样本分类模型为基于高斯混合模型GMM的机器学习模型，所述数据清洗模型为基于LightGBM算法的机器学习模型。
根据本发明实施例的技术方案，获取不具有标签值的多个初始数据样本；将每一初始数据样本输入预先训练完成的样本分类模型，得到每一初始数据样本的初始标签值，每一初始数据样本与该初始数据样本的初始标签值形成初始训练样本；依据所述多个初始数据样本对应的初始训练样本训练预设的数据清洗模型；获取待清洗数据；将待清洗数据输入训练完成的数据清洗模型，得到所述待清洗数据中的异常数据，将所述异常数据去除。通过以上方式，能够利用基于机器学习算法的数据清洗模型精确甄别异常样本和正常样本，同时在面对海量待清洗数据时具有较高的清洗效率。另外，针对用于训练数据清洗模型的训练样本，现有技术中完全依赖人工为训练样本打标(即设置标签值)，这样效率较低且成本较高，在本发明实施例中，使用预先训练的样本分类模型自动为不具有标签值的初始数据样本打标，并对样本分类模型打标为异常(即初始标签值为初步异常)的样本由人工重新打标，在此基础上形成用于训练数据清洗模型的真实训练样本，由此极大减轻了人工处理工作量，提高了数据清洗效率以及数据清洗模型的异常鉴别能力。
图4示出了可以应用本发明实施例的数据清洗方法或数据清洗装置的示例性系统架构400。
如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405(此架构仅仅是示例，具体架构中包含的组件可以根据申请具体情况调整)。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404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。
用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如数据清洗应用(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所操作的数据清洗应用提供支持的后台服务器(仅为示例)。后台服务器405可以对接收到的数据清洗请求等进行处理，并将处理结果(例如数据清洗结果，包括异常数据数量、清洗用时等--仅为示例)反馈给终端设备401、402、403。
需要说明的是，本发明实施例所提供的数据清洗方法一般由服务器405执行，相应地，数据清洗装置一般设置于服务器405中。
应该理解，图4中的终端设备、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终端设备、网络和服务器。
本发明还提供了一种电子设备。本发明实施例的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明所提供的数据清洗方法。
下面参考图5，其示出了适于用来实现本发明实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中，还存储有计算机系统500操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本发明公开的实施例，上文的主要步骤图描述的过程可以被实现为计算机软件程序。例如，本发明实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行主要步骤图所示的方法的程序代码。在上述实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元501执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这根据所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括样本获取单元、样本分类单元、训练单元和清洗单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，样本获取单元还可以被描述为“向样本分类单元提供初始数据样本的单元”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中的。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该设备执行时，使得该设备执行的步骤包括：获取不具有标签值的多个初始数据样本；将每一初始数据样本输入预先训练完成的样本分类模型，得到每一初始数据样本的初始标签值；其中，所述初始标签值包括：初步正常和初步异常，每一初始数据样本与该初始数据样本的初始标签值形成初始训练样本；依据所述多个初始数据样本对应的初始训练样本训练预设的数据清洗模型；获取待清洗数据；将待清洗数据输入训练完成的数据清洗模型，得到所述待清洗数据中的异常数据，将所述异常数据去除。
在本发明实施例的技术方案中，获取不具有标签值的多个初始数据样本；将每一初始数据样本输入预先训练完成的样本分类模型，得到每一初始数据样本的初始标签值，每一初始数据样本与该初始数据样本的初始标签值形成初始训练样本；依据所述多个初始数据样本对应的初始训练样本训练预设的数据清洗模型；获取待清洗数据；将待清洗数据输入训练完成的数据清洗模型，得到所述待清洗数据中的异常数据，将所述异常数据去除。通过以上方式，能够利用基于机器学习算法的数据清洗模型精确甄别异常样本和正常样本，同时在面对海量待清洗数据时具有较高的清洗效率。另外，针对用于训练数据清洗模型的训练样本，现有技术中完全依赖人工为训练样本打标(即设置标签值)，这样效率较低且成本较高，在本发明实施例中，使用预先训练的样本分类模型自动为不具有标签值的初始数据样本打标，并对样本分类模型打标为异常(即初始标签值为初步异常)的样本由人工重新打标，在此基础上形成用于训练数据清洗模型的真实训练样本，由此极大减轻了人工处理工作量，提高了数据清洗效率以及数据清洗模型的异常鉴别能力。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (15)
1.一种数据清洗方法，其特征在于，包括：
获取不具有标签值的多个初始数据样本；
将每一初始数据样本输入预先训练完成的样本分类模型，得到每一初始数据样本的初始标签值；其中，所述初始标签值包括：初步正常和初步异常，每一初始数据样本与该初始数据样本的初始标签值形成初始训练样本；
依据所述多个初始数据样本对应的初始训练样本训练预设的数据清洗模型；
获取待清洗数据；将待清洗数据输入训练完成的数据清洗模型，得到所述待清洗数据中的异常数据，将所述异常数据去除。
2.根据权利要求1所述的方法，其特征在于，所述依据所述多个初始数据样本对应的初始训练样本训练预设的数据清洗模型，包括：
通过人工标记方式确定初始标签值为初步异常的初始训练样本的最终标签值，最终标签值包括最终正常和最终异常，每一初始数据样本与该初始数据样本对应的最终标签值形成真实训练样本。
3.根据权利要求2所述的方法，其特征在于，所述依据所述多个初始数据样本对应的初始训练样本训练预设的数据清洗模型，进一步包括：
将初始标签值是初步正常的初始训练样本确定为最终标签值是最终正常的真实训练样本；
使用真实训练样本训练所述数据清洗模型。
4.根据权利要求3所述的方法，其特征在于，所述使用真实训练样本训练所述数据清洗模型，包括：
将每一真实训练样本的初始数据样本部分作为训练输入数据、最终标签值部分作为训练指向数据来训练所述数据清洗模型。
5.根据权利要求1所述的方法，其特征在于，所述将待清洗数据输入训练完成的数据清洗模型，得到所述待清洗数据中的异常数据，包括：
将每一待清洗数据输入训练完成的数据清洗模型，根据所述数据清洗模型的输出结果判断该待清洗数据是否为异常数据。
6.根据权利要求1-5任一所述的方法，其特征在于，所述标签值指的是表征样本所属类别的数据。
7.根据权利要求1-5任一所述的方法，其特征在于，所述样本分类模型为基于高斯混合模型GMM的机器学习模型。
8.根据权利要求1-5任一所述的方法，其特征在于，所述数据清洗模型为基于LightGBM算法的机器学习模型。
9.一种数据清洗装置，其特征在于，包括：
样本获取单元，用于获取不具有标签值的多个初始数据样本；
样本分类单元，用于将每一初始数据样本输入预先训练完成的样本分类模型，得到每一初始数据样本的初始标签值；其中，所述初始标签值包括：初步正常和初步异常，每一初始数据样本与该初始数据样本的初始标签值形成初始训练样本；
训练单元，用于依据所述多个初始数据样本对应的初始训练样本训练预设的数据清洗模型；
清洗单元，用于获取待清洗数据；将待清洗数据输入训练完成的数据清洗模型，得到所述待清洗数据中的异常数据，将所述异常数据去除。
10.根据权利要求9所述的装置，其特征在于，所述训练单元进一步用于：
通过人工标记方式确定初始标签值为初步异常的初始训练样本的最终标签值，最终标签值包括最终正常和最终异常，每一初始数据样本与该初始数据样本对应的最终标签值形成真实训练样本；将初始标签值是初步正常的初始训练样本确定为最终标签值是最终正常的真实训练样本；使用真实训练样本训练所述数据清洗模型。
11.根据权利要求10所述的装置，其特征在于，所述训练单元进一步用于：
将每一真实训练样本的初始数据样本部分作为训练输入数据、最终标签值部分作为训练指向数据来训练所述数据清洗模型。
12.根据权利要求9所述的装置，其特征在于，所述清洗单元进一步用于：
将每一待清洗数据输入训练完成的数据清洗模型，根据所述数据清洗模型的输出结果判断该待清洗数据是否为异常数据。
13.根据权利要求9-12任一所述的装置，其特征在于，所述样本分类模型为基于高斯混合模型GMM的机器学习模型，所述数据清洗模型为基于LightGBM算法的机器学习模型。
14.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110336886.7A CN112925785A (zh) | 2021-03-29 | 2021-03-29 | 数据清洗方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110336886.7A CN112925785A (zh) | 2021-03-29 | 2021-03-29 | 数据清洗方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112925785A true CN112925785A (zh) | 2021-06-08 |
Family
ID=76176448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110336886.7A Pending CN112925785A (zh) | 2021-03-29 | 2021-03-29 | 数据清洗方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112925785A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116061189A (zh) * | 2023-03-08 | 2023-05-05 | 国网瑞嘉(天津)智能机器人有限公司 | 一种机器人作业数据处理系统、方法、装置、设备及介质 |
| CN116204769A (zh) * | 2023-03-06 | 2023-06-02 | 深圳市乐易网络股份有限公司 | 一种基于数据分类识别的数据清洗方法、系统及存储介质 |
| CN117762917A (zh) * | 2024-01-16 | 2024-03-26 | 北京三维天地科技股份有限公司 | 基于深度学习的医疗器械数据清洗方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107943865A (zh) * | 2017-11-10 | 2018-04-20 | 阿基米德（上海）传媒有限公司 | 一种适用于多场景、多类型的音频分类标签方法及系统 |
| CN109241903A (zh) * | 2018-08-30 | 2019-01-18 | 平安科技（深圳）有限公司 | 样本数据清洗方法、装置、计算机设备及存储介质 |
| CN109460795A (zh) * | 2018-12-17 | 2019-03-12 | 北京三快在线科技有限公司 | 分类器训练方法、装置、电子设备及计算机可读介质 |
| WO2019237657A1 (zh) * | 2018-06-15 | 2019-12-19 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
| CN110928862A (zh) * | 2019-10-23 | 2020-03-27 | 深圳市华讯方舟太赫兹科技有限公司 | 数据清洗方法、数据清洗设备以及计算机存储介质 |
| CN111711608A (zh) * | 2020-05-20 | 2020-09-25 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种电力数据网流量异常检测方法、系统及电子设备 |
| CN111931868A (zh) * | 2020-09-24 | 2020-11-13 | 常州微亿智造科技有限公司 | 时间序列数据异常检测方法和装置 |
-
2021
- 2021-03-29 CN CN202110336886.7A patent/CN112925785A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107943865A (zh) * | 2017-11-10 | 2018-04-20 | 阿基米德（上海）传媒有限公司 | 一种适用于多场景、多类型的音频分类标签方法及系统 |
| WO2019237657A1 (zh) * | 2018-06-15 | 2019-12-19 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
| CN109241903A (zh) * | 2018-08-30 | 2019-01-18 | 平安科技（深圳）有限公司 | 样本数据清洗方法、装置、计算机设备及存储介质 |
| CN109460795A (zh) * | 2018-12-17 | 2019-03-12 | 北京三快在线科技有限公司 | 分类器训练方法、装置、电子设备及计算机可读介质 |
| CN110928862A (zh) * | 2019-10-23 | 2020-03-27 | 深圳市华讯方舟太赫兹科技有限公司 | 数据清洗方法、数据清洗设备以及计算机存储介质 |
| CN111711608A (zh) * | 2020-05-20 | 2020-09-25 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种电力数据网流量异常检测方法、系统及电子设备 |
| CN111931868A (zh) * | 2020-09-24 | 2020-11-13 | 常州微亿智造科技有限公司 | 时间序列数据异常检测方法和装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116204769A (zh) * | 2023-03-06 | 2023-06-02 | 深圳市乐易网络股份有限公司 | 一种基于数据分类识别的数据清洗方法、系统及存储介质 |
| CN116204769B (zh) * | 2023-03-06 | 2023-12-05 | 深圳市乐易网络股份有限公司 | 一种基于数据分类识别的数据清洗方法、系统及存储介质 |
| CN116061189A (zh) * | 2023-03-08 | 2023-05-05 | 国网瑞嘉(天津)智能机器人有限公司 | 一种机器人作业数据处理系统、方法、装置、设备及介质 |
| CN117762917A (zh) * | 2024-01-16 | 2024-03-26 | 北京三维天地科技股份有限公司 | 基于深度学习的医疗器械数据清洗方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109460513B (zh) | 用于生成点击率预测模型的方法和装置 | |
| CN112925785A (zh) | 数据清洗方法和装置 | |
| CN110995459B (zh) | 异常对象识别方法、装置、介质及电子设备 | |
| CN109976997B (zh) | 测试方法和装置 | |
| CN111324786B (zh) | 咨询问题信息的处理方法和装置 | |
| CN112613917A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
| CN110555451A (zh) | 信息识别方法和装置 | |
| CN111427974A (zh) | 数据质量评估管理方法和装置 | |
| CN109840192B (zh) | 自动化测试的方法和装置 | |
| CN110162518B (zh) | 数据分组方法、装置、电子设备及存储介质 | |
| CN117290561B (zh) | 业务状态信息反馈方法、装置、设备和计算机可读介质 | |
| CN111582645B (zh) | 基于因子分解机的app风险评估方法、装置和电子设备 | |
| CN109840534B (zh) | 处理事件的方法和装置 | |
| CN113435859A (zh) | 信访件处理方法、装置、电子设备和计算机可读介质 | |
| CN112347316A (zh) | 基于GraphSAGE的不良嗜好行为检测方法、装置及电子设备 | |
| CN113590756A (zh) | 信息序列生成方法、装置、终端设备和计算机可读介质 | |
| CN110688295A (zh) | 数据测试方法和装置 | |
| JP2023523191A (ja) | アカウントの識別方法、装置、電子機器及びコンピュータ読み取り可能な媒体 | |
| CN113111233A (zh) | 基于正则表达式的接处警文本居住地地址提取方法和装置 | |
| CN113111230B (zh) | 基于正则表达式的接处警文本户籍地地址提取方法和装置 | |
| CN115147195A (zh) | 一种招标采购风险监控方法、装置、设备及介质 | |
| US11410749B2 (en) | Stable genes in comparative transcriptomics | |
| CN113111897A (zh) | 基于支持向量机的接警警情类别确定方法和装置 | |
| CN112131379A (zh) | 用于识别问题类别的方法、装置、电子设备及存储介质 | |
| CN113111169A (zh) | 基于深度学习模型的接处警文本地址信息提取方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |