數(shù)據(jù)分析，包括大數(shù)據(jù)分析，在企業(yè)的業(yè)務(wù)中，特別是在傳統(tǒng)的商務(wù)行業(yè)，已有多年的應(yīng)用實(shí)踐，在消費(fèi)者市場(chǎng)的營(yíng)銷(xiāo)中已成了必不可缺的技術(shù)。隨著工業(yè)互聯(lián)網(wǎng)和智能制造的興起和發(fā)展，工業(yè)大數(shù)據(jù)技術(shù)也越來(lái)越受到各方關(guān)注。在“中國(guó)制造2025”的技術(shù)路線(xiàn)圖中，工業(yè)大數(shù)據(jù)是作為重要突破點(diǎn)來(lái)規(guī)劃的，而在未來(lái)的十年，以數(shù)據(jù)為核心構(gòu)建的智能化體系會(huì)成為支撐智能制造和工業(yè)互聯(lián)網(wǎng)的核心動(dòng)力。

對(duì)制造企業(yè)而言，不論是新實(shí)施的系統(tǒng)還是老舊系統(tǒng)，要實(shí)施大數(shù)據(jù)分析平臺(tái)，就需要先弄明白自己到底需要采集哪些數(shù)據(jù)。因?yàn)榭紤]到數(shù)據(jù)的采集難度和成本，大數(shù)據(jù)分析平臺(tái)并不是對(duì)企業(yè)所有的數(shù)據(jù)都進(jìn)行采集，而是相關(guān)的、有直接或者間接聯(lián)系的數(shù)據(jù)，企業(yè)要知道哪些數(shù)據(jù)是對(duì)于戰(zhàn)略性的決策或者一些細(xì)節(jié)決策有幫助的，分析出來(lái)的數(shù)據(jù)結(jié)果是有價(jià)值的。

比如企業(yè)只是想了解產(chǎn)線(xiàn)設(shè)備的運(yùn)行狀態(tài)，這時(shí)候就只需要對(duì)影響產(chǎn)線(xiàn)設(shè)備性能的關(guān)鍵參數(shù)進(jìn)行采集。

再比如，在產(chǎn)品售后服務(wù)環(huán)節(jié)，企業(yè)需要了解產(chǎn)品使用狀態(tài)、購(gòu)買(mǎi)群體等信息，這些數(shù)據(jù)對(duì)支撐新產(chǎn)品的研發(fā)和市場(chǎng)的預(yù)測(cè)都有著非常重要的價(jià)值。

因此，建議企業(yè)在進(jìn)行大數(shù)據(jù)分析規(guī)劃的時(shí)候針對(duì)一個(gè)項(xiàng)目的目標(biāo)進(jìn)行精確的分析，比較容易滿(mǎn)足業(yè)務(wù)的目標(biāo)。明確目標(biāo)以后，就要著手開(kāi)始搜集數(shù)據(jù)并進(jìn)行預(yù)處理了。本期格物匯將跟大家介紹，企業(yè)如何實(shí)現(xiàn)對(duì)工業(yè)大數(shù)據(jù)的預(yù)處理。

 數(shù)據(jù)采集 

首先我們看看數(shù)據(jù)是如何獲取的，在現(xiàn)實(shí)生活中，我們所面對(duì)的問(wèn)題，往往都是抽象復(fù)雜的。我們來(lái)看如下兩個(gè)例子：

如何提升產(chǎn)品的良率？

可能這是制造業(yè)最為普遍的一個(gè)問(wèn)題，如果我們要分析解決這個(gè)問(wèn)題，常常就會(huì)問(wèn)到：什么產(chǎn)品？有多少條產(chǎn)線(xiàn)在生成？經(jīng)過(guò)了哪些機(jī)臺(tái)？影響產(chǎn)品良率的因素有哪些？我們可能會(huì)提出很多很多這樣的問(wèn)題，解決這些問(wèn)題需要對(duì)相關(guān)業(yè)務(wù)知識(shí)非常了解，盡可能多的找出與問(wèn)題有關(guān)的數(shù)據(jù)。

如何進(jìn)行人臉識(shí)別？

這問(wèn)題更加復(fù)雜一些，雖然我們每個(gè)人的大腦每天都在做人臉識(shí)別，但是大腦如何工作的卻異常難懂。我們可能需要做很多科研工作，去挖掘到底哪些數(shù)據(jù)會(huì)影響到人臉識(shí)別的正確率。如果這些數(shù)據(jù)本身沒(méi)有，很可能還需要進(jìn)行測(cè)量采集，比如兩眼之間的距離，嘴的寬度和長(zhǎng)度等等。當(dāng)然，我們還會(huì)評(píng)估采集的成本，并對(duì)這些數(shù)據(jù)有效性進(jìn)行評(píng)估，驗(yàn)證我們的成本是否值得去花費(fèi)精力測(cè)量。

數(shù)據(jù)預(yù)處理簡(jiǎn)介

數(shù)據(jù)采集以后，數(shù)據(jù)往往存放在數(shù)據(jù)庫(kù)或文件系統(tǒng)中，我們需要把他們導(dǎo)入到算法模型中進(jìn)行訓(xùn)練，得到我們想要的模型。但是我們的數(shù)據(jù)往往雜亂無(wú)章，總的來(lái)說(shuō)，數(shù)據(jù)一般存在如下幾類(lèi)問(wèn)題：

數(shù)據(jù)類(lèi)型多種多樣

我們的數(shù)據(jù)中常常出現(xiàn)字符型，時(shí)間型，數(shù)字型等多種數(shù)據(jù)類(lèi)型。其中：字符型是無(wú)法代入模型計(jì)算的，所以我們根據(jù)需要，可以對(duì)字符型數(shù)據(jù)進(jìn)行編碼轉(zhuǎn)換。常用的編碼方法有：

數(shù)字編碼：對(duì)于有大小比較的字符型數(shù)據(jù)，可以直接轉(zhuǎn)換成數(shù)字編碼。比如：

Onehot編碼：對(duì)于沒(méi)有大小比較的字符型數(shù)據(jù)，可以使用Onehot獨(dú)熱編碼。比如：

時(shí)間類(lèi)型往往是一類(lèi)特殊的數(shù)據(jù)，把時(shí)間簡(jiǎn)單看成一個(gè)實(shí)數(shù)的話(huà)，往往不符合邏輯。對(duì)于帶時(shí)間的數(shù)據(jù)，我們通常使用時(shí)間序列的分析方法進(jìn)行分析。有時(shí)候我們更加關(guān)注的是兩列時(shí)間的差值，這時(shí)我們可以構(gòu)建時(shí)間差值列作為新的變量加入模型之中。

數(shù)字型往往是導(dǎo)入模型進(jìn)行訓(xùn)練的主要部分，數(shù)字型又可以細(xì)分為離散型和連續(xù)型，因?yàn)殡x散與連續(xù)的數(shù)據(jù)分布顯著不同，我們可以對(duì)其進(jìn)行分開(kāi)處理。數(shù)字型之間各個(gè)列常存在量綱差異，有的數(shù)據(jù)可能很大，有的數(shù)據(jù)可能很小，我們需要去除數(shù)據(jù)量綱，防止模型對(duì)數(shù)據(jù)較大的列進(jìn)行偏倚（數(shù)據(jù)值較大時(shí)通常方差也較大）。常用的數(shù)據(jù)去量綱的方法有最大最小值歸一化法，均值標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化法等等。      

數(shù)據(jù)格式不對(duì)

我們期望數(shù)據(jù)格式是表結(jié)構(gòu)，矩陣格式，或者是張量格式。然而我們拿到的數(shù)據(jù)往往不是格式化的數(shù)據(jù)，比如機(jī)臺(tái)的日志數(shù)據(jù)，圖像數(shù)據(jù)，音頻視頻數(shù)據(jù)。我們需要對(duì)上述數(shù)據(jù)轉(zhuǎn)換，把數(shù)據(jù)格式轉(zhuǎn)換成我們想要的格式。

數(shù)據(jù)中存在異常

數(shù)據(jù)中還會(huì)出現(xiàn)缺失值，異常值等異常，這些情況也會(huì)強(qiáng)烈影響到模型的訓(xùn)練，我們需要對(duì)空值進(jìn)行補(bǔ)值。如何補(bǔ)值需要我們對(duì)數(shù)據(jù)非常了解，才能推斷出該用什么值來(lái)補(bǔ)值，才不會(huì)改變?cè)�有的�?shù)據(jù)分布。一般的補(bǔ)值方法有：0值補(bǔ)值，均值補(bǔ)值，中位數(shù)補(bǔ)值，按上一個(gè)數(shù)補(bǔ)值，移動(dòng)平均補(bǔ)值，線(xiàn)性插值，相關(guān)列補(bǔ)值法等等，對(duì)于缺失值比例較大的列，可以采取直接刪除的方法。異常值則需要?jiǎng)?chuàng)建規(guī)則，對(duì)異常值進(jìn)行識(shí)別，再用正常的值進(jìn)行替換，故異常值也有類(lèi)似于缺失值的替換方法。

本文作者：格創(chuàng)東智OT團(tuán)隊(duì)