本节书摘来自华章出版社《R语言数据挖掘》一书中的第1章，第1.14节，作者［哈萨克斯坦］贝特·麦克哈贝尔（Bater Makhabel），李洪成 许金炜 段力辉 译，更多章节内容可以访问云栖社区“华章计算机”公众号查看。
1.14 数据变换与离散化
根据前面的内容，我们可以知道总有一些数据格式最适合特定的数据挖掘算法。数据变换是一种将原始数据变换成较好数据格式的方法，以便作为数据处理前特定数据挖掘算法的输入。
1.14.1 数据变换
数据变换程序将数据变换成可用于挖掘的恰当形式。它们如下所述：
平滑：使用分箱、回归和聚类去除数据中的噪声。
属性构造：根据给定的属性集，构造和添加新的属性。
聚合：在汇总或者聚合中，对数据执行操作。
标准化：这里，对属性数据进行缩放以便落入一个较小的范围。
离散化：数值属性的原始值被区间标签或者概念标签所取代。
对名义数据进行概念分层：这里，属性可以被推广到更高层次的概念中。
1.14.2 标准化数据的变换方法
为了避免依赖数据属性的测量单位的选择，数据需要标准化。这意味着将数据变换或者映射到一个较小的或者共同的范围内。在这个过程后，所有的属性获得相同的权重。有许多标准化的方法，我们看看其中的一些办法。
最小-最大标准化：该方法保留了原始数据值之间的关系，对原始数据进行线性变换。当一个属性的实际最大值和最小值可用时，该属性将被标准化。
z分数标准化：这里，属性值的标准化是基于属性的均值和标准差。当对一个属性进行标准化时，如果其实际最大值和最小值是未知的，则该方法仍然是有效的。
十进制标准化：该方法通过移动属性值的小数点将其标准化。
1.14.3 数据离散化
数据离散化通过值映射将数值数据变换成区间标签或者概念标签。离散化技术包括：
通过分箱将数据离散化：这是一个根据指定数目的、分段的、自上而下的无监督分割技术。
根据直方图分析将数据离散化：在该技术中，直方图将属性值分割在不相交的范围内，称为桶或者箱，同样为无监督的方法。
通过聚类分析将数据离散化：在该技术中，应用聚类算法离散化数值属性，它通过将该属性的值分割到不同的类或者组中。
通过决策树分析将数据离散化：这里，决策树采用自上而下的分割方法，它是一个有监督的方法。为了离散化数值属性，该方法选择具有最小熵的属性值作为分割点，并递归地划分所得的区间以实现分层离散化。
通过相关分析将数据离散化：该技术采用自下而上的方法，通过发现最佳近邻区间，然后递归地将它们合并成更大的区间，这是一个有监督的方法。
