CN113536078B - 用于筛选数据的方法、设备和计算机存储介质 - Google Patents
用于筛选数据的方法、设备和计算机存储介质 Download PDFInfo
- Publication number
- CN113536078B CN113536078B CN202110801051.4A CN202110801051A CN113536078B CN 113536078 B CN113536078 B CN 113536078B CN 202110801051 A CN202110801051 A CN 202110801051A CN 113536078 B CN113536078 B CN 113536078B
- Authority
- CN
- China
- Prior art keywords
- data
- data set
- clustering
- subsets
- new
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012216 screening Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 16
- 238000009826 distribution Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开的实施例公开了一种用于筛选数据的方法、设备和计算机存储介质。该方法的一具体实施例包括:响应于在机台上产生了新数据,收集所产生的新数据得到数据集;按照特征相似度对数据集进行聚类;响应于聚类的结果,将数据集划分为多个数据子集;根据多个数据子集中的特征相似度,对每个数据子集进行聚类;以及响应于对每个数据子集进行聚类的结果,对各个数据子集进行筛选,得到所筛选的数据集。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及一种用于筛选数据的方法、设备和计算机存储介质。
背景技术
当产品在机台上进行生产加工时,会出现大量的数据以记录产品的各项特征。当计算机需要将机台上产生的数据进行建模、分析时,可能由于数据产生的时间的跨度长,而产生了特征的变化,造成了数据不同分布的问题。而不同分布的数据将会造成后续的建模和数据分析效果大大折扣。
为了保证数据同分布,现有的数据筛选需要人工排查,这大大增加了人力物力的消耗。
发明内容
本公开提出了一种筛选数据的方法、设备和计算机存储介质。
第一方面,本公开的实施例公开了一种筛选数据的方法,该方法包括:响应于在机台上产生了新数据,收集所产生的新数据得到数据集;按照特征相似度对数据集进行聚类;响应于聚类的结果,将数据集划分为多个数据子集;根据多个数据子集中的特征相似度,对每个数据子集进行聚类;响应于对每个数据子集进行聚类的结果,对各个数据子集进行筛选,得到所筛选的数据集。
在一些实施例中,按照特征相似度对数据集进行聚类的步骤之前,方法还包括对所收集的数据集进行预处理,包括:去除数据集中的空值和异常值,并将数据集整理为纯字符串或纯数字集;对数据集进行编码得到数字化的数据集。
在一些实施例中,对数据集进行编码包括:对数据集进行one-hot编码,得到数字化的数据集。
在一些实施例中,数据集包括用于表示产生时间、产品号、产品类别、产品缺陷、机台号的特征中的至少一个特征的特征数据。
在一些实施例中,按照特征相似度对数据集进行聚类包括:a.从所述数据集中随机选择k个特征的数据作为初始质心,其中k为正整数;b.计算数据集中的每个数据与k个初始质心的欧氏距离,选择具有最小欧氏距离的数据作为新的质心,将数据集中的与新的质心的欧氏距离小于预定值的数据作为新的质心的聚集数据;c.计算新的质心的聚集数据的每个数据与各个新的质心的欧氏距离,选择具有最小欧氏距离的数据作为另外新的质心;d.重复步骤c,直到另外新的质心与新的质心相同;e.将数据集中的与新的质心的欧氏距离小于预定值的数据作为经过聚类后的聚集数据。
在一些实施例中,响应于聚类的结果,将数据集划分为多个数据子集的步骤包括:确定数据集中的每个数据之间的欧氏距离的平均值作为历史距离;分别计算在进行聚类后得到的k个质心的聚集数据到各自质心的平均距离;响应于平均距离比历史距离大且大于阈值,对所聚类的数据集进行划分。
在一些实施例中,将数据集划分为多个数据子集包括:根据数据集中的每个数据产生的时间,将数据集划分为多个数据子集。
在一些实施例中,根据多个数据子集中的特征相似度,对每个数据子集进行聚类,包括:a.从每个数据子集中随机选择k个特征的数据作为初始质心,其中k为正整数;b.计算每个数据子集中的每个数据与k个初始质心的欧氏距离,选择具有最小欧氏距离的数据作为新的质心,将每个数据子集中的与新的质心的欧氏距离小于预定值的数据作为新的质心的聚集数据;c.计算新的质心的聚集数据中的每个数据与新的质心的欧氏距离,选择具有最小欧氏距离的数据作为另外新的质心;d.重复步骤c,直到另外新的质心与新的质心相同;e.将每个数据子集中的与新的质心的欧氏距离小于预定值的数据作为k个质心的聚集数据。
在一些实施例中,响应于对每个数据子集进行聚类的结果,对各个数据子集进行筛选,得到所筛选的数据集包括:确定每个数据子集中的每个数据之间的欧氏距离的平均值作为历史距离;分别计算在进行聚类后得到的k个质心的聚集数据到各自质心的平均距离;响应于数据子集中的一个或多个数据子集的平均距离比历史距离小且小于阈值,将一个或多个数据子集整合在一起,得到所筛选的数据集。
第二方面,本公开的实施例提出了一种用于筛选数据的设备,该设备包括存储器和处理器,其中,存储器存储有计算机可执行的指令,处理器用于执行存储器存储的计算机可执行指令,以实现上述用于筛选数据的方法中任一项的方法。
第三方面,本公开的实施例提出了一种包括计算机可执行的指令的计算机存储介质,当计算机可执行的指令由处理器执行时,使得实现上述用于筛选数据的方法中任一项的方法。
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,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的实施例的一种筛选数据的方法的流程图;
图3是根据本公开的实施例的一种对所收集的数据集进行预处理的方法的流程图;
图4是根据本公开的实施例的按照特征相似度对数据集进行聚类的方法的流程图;
图5是根据本公开的实施例的响应于聚类的结果,将数据集划分为多个数据子集的方法的流程图;
图6是根据本公开的实施例的对每个数据子集进行聚类,并对数据子集进行筛选的方法的流程图;以及
图7是根据本公开的实施例的适于用来实现本公开的实施例的电子设备700的结构示意图。
具体实施方式
下面结合附图和实施例对本公开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,本公开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公开。
图1示出了可以应用本公开的实施例的筛选数据的方法或筛选数据的系统的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送数据(例如待筛选的数据)等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如视频播放软件、新闻资讯类应用、图像处理类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其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的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103发送的数据进行处理的后台服务器。后台服务器可以对接收到的待筛选的数据进行筛选等处理,获得处理结果(例如筛选后的数据集)。作为示例,服务器105可以是云端服务器,也可以是物理服务器。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,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的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
还需要说明的是,本公开的实施例所提供的筛选数据的方法可以由服务器执行,也可以由终端设备执行,还可以由服务器和终端设备彼此配合执行。
应该理解,图1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。当筛选数据的方法运行于其上的电子设备不需要与其他电子设备进行数据传输时,该系统架构可以仅包括筛选数据的方法运行于其上的电子设备(例如服务器或终端设备)。
参考图2,示出了根据本公开的实施例的筛选数据的方法的一个实施例的流程图200。该筛选数据的方法,包括以下步骤:
步骤201,响应于机台上产生新数据,收集产生的新数据得到数据集。
在本实施例中,筛选数据的方法的执行主体(例如图1所示的服务器或终端设备)可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取数据。
数据集可以包括与一个或多个特征对应的特征数据,例如,当在机台上产生新的产品时,上述特征可以包括但不限于以下至少一项:产生时间、产品号、产品类别、产品缺陷、机台号、颜色特征、纹理特征、轮廓特征、材质特征等等。
步骤202,按照特征相似度对数据集进行聚类。
在本实施例中,上述执行主体可以按照特征相似度对步骤201中得到的数据集进行聚类。
聚类算法可以根据与产品相关的特征相似度,将数据集中具有相似特征的数据聚集在一起,而将不具有相似特征的数据彼此分离。在一个实施方式中,特征相似度可例如为与在机台上加工的产品关联的特征的相似度。例如,在机台上产生的与特征相关的数据可以是产品号(Y023B.0、Y034A.0、D038A.0等等)等。
步骤203,响应于聚类的结果,将数据集划分为多个数据子集。
在本实施例中,上述执行主体可以响应于聚类的结果,将数据集划分为多个数据子集。
通过在步骤202中,按照特征相似度对数据集进行聚类,可以判断数据集的特征值是否已经改变,响应于数据集的特征值没有改变,则可以认为该数据集是同分布的,则不需要对数据集进行进一步的划分,但在本公开中,需要解决的问题是数据不同分布的问题,即,数据集特征值改变的问题,所以在本实施例中,可以响应于数据集的特征值已经改变了,而对数据集进行进一步的划分。
在本实施例中,可以按照时间的维度,对数据集进行进一步划分。也就是说,可以将产生的时间相近的数据划分在一个数据子集中,例如,可以将时间阈值设定为10s,可以将每10s中产生的数据划分在一个数据子集中,但本公开不限于此,即,也可以按照别的方式对数据集进行划分。
步骤204,根据多个数据子集中的特征相似度,对每个数据子集进行聚类。
在本实施例中,上述执行主体可以根据多个数据子集中的特征相似度,对每个数据子集进行聚类。
通过在步骤203将数据集划分为多个数据子集,可以判断每个数据子集的特征是否同分布,所以可以对每个数据子集进行聚类,以及然后可以根据每个数据子集的特征相似度,将每个数据子集分别进行聚类。
步骤205,响应于对每个数据子集进行聚类的结果,对各个数据子集进行筛选,得到所筛选的数据集。
在本实施例中,上述执行主体可以响应于对每个数据子集进行聚类的结果,对各个数据子集进行筛选,得到所筛选的数据集。
通过在步骤204中,根据多个数据子集中的特征相似度,对每个数据子集进行聚类,可以判断每个数据子集的数据是否同分布,当数据子集中的数据同分布时,则可以保留该数据子集,当数据子集中的数据不同分布时,则可以丢弃该数据子集,最后可以将保留的数据子集整合在一起,最后得到的数据集则为筛选后的数据集。
参考图3,示出了根据本公开的实施例的一种对所收集的数据集进行预处理的方法的流程图300。该预处理的方法,可以包括以下步骤:
步骤301,去除数据集中的空值和异常值,并将所述数据集整理为纯字符串或纯数字集。
在本实施例中,筛选数据的方法的执行主体(例如图1所示的服务器或终端设备)可以去除数据集中的空值和异常值,并将所述数据集整理为纯字符串或纯数字集。
机台上产生的与特征相关的数据可能会因为异常、错误等原因,而产生空值和异常值,这些值对于后续的数据分析和建模是没有意义的,甚至会造成一些数据分析的错误,所以需要对原始收集的数据进行预处理以删除这些空值和异常值。
此外,机台上产生的与特征相关的数据可能会具有不同的格式,将数据整理为相同的格式有助于后续对数据进行处理,所以可以对收集的数据进行预处理以将数据整理为纯字符串或纯数字集以有助于后续对数据进行处理。
步骤302,对数据集进行编码得到数字化的数据集。
在本实施例中,上述执行主体可以对数据集进行编码得到数字化的数据集。
例如,对于上述在机台上产生的与特征相关的数据,这些数据例如可以是产品号(Y023B.0、Y034A.0、D038A.0等等),则这些数据为非数字,当执行主体对这些数据进行分析时,是非常困难的,所以可以将这些数据进行编码以将特征数字化。例如,可以将产品号Y023B.0用0来表示,将产品号Y034A.0用1来表示,将产品号D038A.0用2来表示。
另一个示例,可以对数据进行one-hot编码,又称为独热编码和一位有效编码,其方法是使用N位状态寄存器对N个状态进行编码,每个状态都可以有它独立的寄存器位,并且在任意时候,其中可以只有一位有效。具体地,例如,这些数据可以是产品号Y023B.0、Y034A.0、D038A.0,可以使用3位寄存器对其进行编码,分别是001、010和100。
参考图4,示出了根据本公开的实施例的按照特征相似度对数据集进行聚类的方法的流程图400。
按照特征相似度对数据集进行聚类,可以判断数据集的特征值是否已经改变,响应于数据集的特征值没有改变,则可以认为该数据集是同分布的,响应于数据集的特征值已经改变了,则可以认为该数据集是不同分布的。
步骤401,从数据集中随机选择k个特征的数据作为初始质心,其中k为正整数。
在本实施例中,筛选数据的方法的执行主体(例如图1所示的服务器或终端设备)可以从数据集中随机选择k个特征的数据作为初始质心,其中k为正整数。例如,数据集中可以具有三个特征(例如,产品号、产品类别和机台号),则k为3,在这里可以随机选择3个数据作为初始质心。
步骤402,计算数据集中的每个数据与k个初始质心的欧氏距离,选择具有最小欧氏距离的数据点作为新的质心,并得到新的质心的聚集数据。
在本实施例中,上述执行主体可以计算数据集中的每个数据与k个初始质心的欧氏距离,选择具有最小欧氏距离的数据点作为新的质心,并得到新的质心的聚集数据。
例如,可以分别计算数据集中的每个数据与在步骤401中选择的例如3个初始质心的欧氏距离,将具有最小欧氏距离的数据作为新的3个质心,以及可以将数据集中的与新的3个质心的欧氏距离小于预定值的数据作为新的3个质心的聚集数据。
步骤403,计算新的质心的聚集数据的每个数据与各个新的质心之间的欧氏距离,选择具有最小欧氏距离的数据作为另外新的质心。
在本实施例中,上述执行主体可以计算新的质心的聚集数据的每个数据与各个新的质心的欧氏距离,选择具有最小欧氏距离的数据作为另外新的质心。
步骤404,重复步骤403,直到另外新的质心与新的质心相同。
在本实施例中,上述执行主体可以重复步骤403,直到另外新的质心与新的质心相同。例如,当重复步骤403进行计算时,当所得到的另外新的质心与新的质心相同,则可以认为已经得到最终的3个质心。
步骤405,将数据集中的与新的k个质心的欧氏距离小于预定值的数据作为k个质心的经过聚类后的聚集数据。
在本实施例中,上述执行主体可以将数据集中的与新的k个质心的欧氏距离小于预定值的数据作为k个质心的经过聚类后的聚集数据。例如,可以通过计算数据集中的每个数据与3个质心的欧式距离,将欧氏距离小于预定值的数据作为3个质心的聚集数据。
参照图5,示出了根据本公开的实施例的响应于聚类的结果,将数据集划分为多个数据子集的方法的流程图500。
步骤501,确定数据集中的每个数据之间的欧氏距离的平均值作为历史距离。
在本实施例中,筛选数据的方法的执行主体(例如图1所示的服务器或终端设备)可以确定数据集中的每个数据之间的欧氏距离的平均值作为历史距离。
步骤502,分别计算在进行聚类后得到的k个质心的聚集数据到各自质心的平均距离。
在本实施例中,上述执行主体可以分别计算在进行聚类后得到的k个质心的聚集数据到各自质心的平均距离。
步骤503,响应于平均距离比历史距离大且大于阈值,对所聚类的数据集进行划分。
在本实施例中,上述执行主体可以响应于平均距离比历史距离大且大于阈值,对所聚类的数据集进行划分。根据聚类的结果,可以判断数据集的特征是否发生过改变,当在进行聚类后得到的k个质心的聚集数据到各自质心的平均距离大于数据集中的每个数据之间的欧氏距离的平均值(即,历史距离)时,可以认为特征发生了改变,即可以认为数据集的数据不同分布。
将数据集划分为多个数据子集的方法已经参考图2的步骤203进行了详细的描述,这里将不再进行赘述。
参照图6,示出了根据本公开的实施例的对每个数据子集进行聚类,并对数据子集进行筛选的方法的流程图600。
步骤601,分别对每个数据子集进行聚类。
在本实施例中,筛选数据的方法的执行主体(例如图1所示的服务器或终端设备)可以分别对每个数据子集进行聚类。
在本实施例中,步骤601与图4的进行聚类的方法基本一致,这里不再赘述。
步骤602,响应于对每个数据子集进行聚类的结果,判断每个数据子集的数据分布。
在本实施例中,上述执行主体可以响应于对每个数据子集进行聚类的结果,判断每个数据子集的数据分布。
在本实施例中,判断每个数据子集的数据分布(即,判断是否发生特征改变)的方法与图5中所述的方法基本一致,这里不再赘述。
步骤603,根据每个数据子集的数据分布,对数据子集进行筛选。
在本实施例中,上述执行主体可以根据每个数据子集的数据分布,对数据子集进行筛选。
在根据步骤602对每个数据子集的数据分布进行判断之后,可以对数据子集进行筛选,即,当数据子集中的数据同分布时,可以保留该数据子集,当数据子集中的数据不同分布时,则可以丢弃该数据子集。
步骤604,整合筛选的数据子集,得到筛选后的数据集。
在本实施例中,上述执行主体可以整合筛选的数据子集,得到筛选后的数据集。
在根据步骤603对数据子集进行保留和/或丢弃之后,可以将所保留的数据子集整合在一起,形成新的数据集,则该新的数据集为筛选后的数据集。
可以认为筛选后的数据集的数据分布是同分布的,具有同分布的数据集有利于进行数据分析和建模。在本公开中利用聚类的方法对数据集是否同分布进行了分析,并通过对数据集的划分和进一步筛选得到了同分布的数据,这个过程克服了需要人工进行筛选的问题,提高了效率,减少了人力物力的消耗。
下面参考图7,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器或终端设备)700的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的终端设备/服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的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流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开的实施例所述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。在本公开的实施例中,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。而在本公开的实施例中,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、光信号或上述的任意合适的组合。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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。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电子设备执行时,使得该电子设备:响应于在机台上产生了新的数据,收集所产生的新数据得到数据集;按照特征相似度对数据集进行聚类;响应于聚类的结果,将数据集划分为多个数据子集;根据多个数据子集中的特征相似度,对每个数据子集进行聚类;以及响应于对每个数据子集进行聚类的结果,对各个数据子集进行筛选,得到所筛选的数据集。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,该模块、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,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/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。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种用于筛选数据的方法,其特征在于,包括:
响应于在机台上产生了新数据,收集所产生的所述新数据得到数据集;
按照特征相似度对所述数据集进行聚类,包括:
a.从所述数据集中随机选择k个特征的数据作为初始质心,其中k为正整数;
b.计算所述数据集中的每个数据与k个所述初始质心的欧氏距离,选择具有最小欧氏距离的数据作为新的质心,将所述数据集中的与所述新的质心的欧氏距离小于预定值的数据作为所述新的质心的聚集数据;
c.计算所述新的质心的聚集数据的每个数据与各个所述新的质心之间的欧氏距离,选择具有最小欧氏距离的数据作为另外新的质心;
d.重复步骤c,直到所述另外新的质心与所述新的质心相同;以及
e.将所述数据集中的与所述新的质心的欧氏距离小于预定值的数据作为经过所述聚类后的聚集数据;
响应于聚类的结果,将所述数据集划分为多个数据子集,包括:
确定所述数据集中的每个数据之间的欧氏距离的平均值作为历史距离;
分别计算在进行聚类后得到的所述k个质心的聚集数据到各自质心的平均距离;以及
响应于所述平均距离比所述历史距离大且大于阈值,对所聚类的数据集进行划分;
根据所述多个数据子集中的特征相似度,对每个所述数据子集进行聚类;以及
响应于对每个所述数据子集进行聚类的结果,对各个所述数据子集进行筛选,得到所筛选的数据集。
2.根据权利要求1所述的用于筛选数据的方法,其中,按照特征相似度对所述数据集进行聚类的步骤之前,所述方法还包括对所收集的数据集进行预处理,包括:
去除所述数据集中的空值和异常值,并将所述数据集整理为纯字符串或纯数字集;以及
对所述数据集进行编码得到数字化的数据集。
3.根据权利要求2所述的用于筛选数据的方法,其中,对所述数据集进行编码包括:
对所述数据集进行one-hot编码,得到所述数字化的数据集。
4.根据权利要求1所述的用于筛选数据的方法,其中,所述数据集包括用于表示产生时间、产品号、产品类别、产品缺陷、机台号的特征中的至少一个特征的特征数据。
5.根据权利要求1所述的用于筛选数据的方法,其中,将所述数据集划分为多个数据子集包括:根据所述数据集中的每个数据产生的时间,将所述数据集划分为多个数据子集。
6.根据权利要求1所述的用于筛选数据的方法,其中,根据所述多个数据子集中的特征相似度,对每个所述数据子集进行聚类,包括:
a.从每个所述数据子集中随机选择k个特征的数据作为初始质心,其中k为正整数;
b.计算每个所述数据子集中的每个数据与所述k个初始质心的欧氏距离,选择具有最小欧氏距离的数据作为新的质心,将每个所述数据子集中的与所述新的质心的欧氏距离小于预定值的数据作为所述新的质心的聚集数据;
c.计算所述新的质心的聚集数据中的每个数据与新的质心之间的欧氏距离,选择具有最小欧氏距离的数据作为另外新的质心;
d.重复步骤c,直到所述另外新的质心与所述新的质心相同;以及
e.将每个所述数据子集中的与所述新的质心的欧氏距离小于预定值的数据作为经过聚类后的聚集数据。
7.根据权利要求6所述的用于筛选数据的方法,其中,响应于对每个所述数据子集进行聚类的结果,对各个所述数据子集进行筛选,得到所筛选的数据集包括:
确定每个所述数据子集中的每个数据之间的欧氏距离的平均值作为历史距离;
分别计算在进行聚类后得到的所述k个质心的聚集数据到各自质心的平均距离;以及
响应于所述数据子集中的一个或多个数据子集的所述平均距离比所述历史距离小且小于阈值,将所述一个或多个数据子集整合在一起,得到所筛选的数据集。
8.一种筛选数据设备,包括:
存储器,存储有计算机可执行的指令;以及
处理器,用于执行所述存储器存储的计算机可执行指令,以实现如权利要求1-7中任一项所述的方法。
9.一种包括计算机可执行的指令的计算机存储介质,当所述计算机可执行的指令由处理器执行时,使得实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801051.4A CN113536078B (zh) | 2021-07-15 | 2021-07-15 | 用于筛选数据的方法、设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801051.4A CN113536078B (zh) | 2021-07-15 | 2021-07-15 | 用于筛选数据的方法、设备和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113536078A CN113536078A (zh) | 2021-10-22 |
CN113536078B true CN113536078B (zh) | 2022-11-18 |
Family
ID=78099442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110801051.4A Active CN113536078B (zh) | 2021-07-15 | 2021-07-15 | 用于筛选数据的方法、设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113536078B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570528A (zh) * | 2016-11-08 | 2017-04-19 | 上海师范大学 | 一种初始聚类中心选取方法及聚类方法 |
KR101810860B1 (ko) * | 2017-07-19 | 2017-12-20 | 주식회사 삼오씨엔에스 | 개인정보 보안제품 통합관제 시스템 |
CN109993179A (zh) * | 2017-12-29 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 一种对数据进行聚类的方法和装置 |
CN109145957B (zh) * | 2018-07-26 | 2023-09-12 | 国网浙江省电力有限公司温州供电公司 | 基于大数据的配电网异常指标的识别与处理方法及装置 |
CN112783938B (zh) * | 2020-12-30 | 2022-10-04 | 河海大学 | 一种水文遥测实时数据异常检测方法 |
-
2021
- 2021-07-15 CN CN202110801051.4A patent/CN113536078B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113536078A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321958B (zh) | 神经网络模型的训练方法、视频相似度确定方法 | |
CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
CN108733317B (zh) | 数据存储方法和装置 | |
CN106897280B (zh) | 数据查询方法及装置 | |
CN110674349B (zh) | 视频poi识别方法、装置及电子设备 | |
CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
CN110198473B (zh) | 视频处理方法、装置、电子设备及计算机可读存储介质 | |
CN114494709A (zh) | 特征提取模型的生成方法、图像特征提取方法和装置 | |
CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
JP7288062B2 (ja) | 情報を出力するための方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム | |
CN112990176A (zh) | 书写质量评价方法、装置和电子设备 | |
CN113536078B (zh) | 用于筛选数据的方法、设备和计算机存储介质 | |
CN113807056B (zh) | 一种文档名称序号纠错方法、装置和设备 | |
CN113033682B (zh) | 视频分类方法、装置、可读介质、电子设备 | |
CN114168824A (zh) | 基于机器学习的冷热数据分离方法、系统、设备及介质 | |
CN112685516A (zh) | 一种多路召回推荐方法、装置、电子设备及介质 | |
CN113255812A (zh) | 视频边框检测方法、装置和电子设备 | |
CN113672675B (zh) | 数据检测方法、装置和电子设备 | |
CN111382233A (zh) | 一种相似文本检测方法、装置、电子设备及存储介质 | |
CN111582456A (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN110752958A (zh) | 用户行为分析方法、装置、设备及存储介质 | |
CN110781066A (zh) | 用户行为分析方法、装置、设备及存储介质 | |
CN110704679A (zh) | 视频分类方法、装置及电子设备 | |
CN111950572A (zh) | 训练分类器的方法、装置、电子设备和计算机可读存储介质 | |
CN117235535B (zh) | 异常供应端断电方法、装置、电子设备和介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |