1. 预处理都有哪些方法
生物预处理（biological pre-treatment）指主要利用生物作用，以去除原水中氨氮、异臭、有机微污染物等的净水过程。
生物预处理工艺有流化形式和滤池形式两大类。其中，流化池以悬浮球生物流化池为代表，而生物滤池又分为连续过滤与间歇反冲过滤两种。
浮球生物流化池具有池型简单、工程造价低、运行管理简便，工艺在设计负荷范围内对氨氮具有较高的去除率。歇反冲过滤生物滤池由于堵塞问题使得其应用受限，目前应用较好的典型工艺（主要用于污水处理）为轻质滤料生物滤池（威立雅公司）及重滤料生物滤料（得利满）。
连续过滤生物曝气滤池不需要将滤池停止运行就可以清洗滤床。气水同向向上流经滤床，而滤料慢慢向下移动。在过滤过程中脏滤料在一个清洗容器中清洗，脏物随清洗水一起排出。工艺采用锰砂作为生物载体，锰砂表面附着生物膜及催化物质在曝气充氧条件下去除水中氨氮。
2. 大数据预处理的方法有哪些
1、数据清理
数据清理例程就是通过填写缺失值、光滑噪声数据、识别或者删除离群点，并且解决不一致性来进行“清理数据”。
2、数据集成
数据集成过程将来自多个数据源的数据集成到一起。
3、数据规约
数据规约是为了得到数据集的简化表示。数据规约包括维规约和数值规约。
4、数据变换
通过变换使用规范化、数据离散化和概念分层等方法，使得数据的挖掘可以在多个抽象层面上进行。数据变换操作是提升数据挖掘效果的附加预处理过程。
3. 常见的图像预处理方法有哪些
图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性、最大限度地简化数据，从而改进特征提取、图像分割、匹配和识别的可靠性。一般的预处理流程为：1灰度化->2几何变换->3图像增强
4. 对完全无回答的情况常常采用的数据预处理方法是
摘要 在数据分析之前，我们通常需要先将数据标准化（normalization），利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。
5. 大数据预处理的方法有哪些
1)数据清理
数据清理例程就是通过填写缺失值、光滑噪声数据、识别或者删除离群点，并且解决不一致性来进行“清理数据”。
2)数据集成
数据集成过程将来自多个数据源的数据集成到一起。
3)数据规约
数据规约是为了得到数据集的简化表示。数据规约包括维规约和数值规约。
4)数据变换
通过变换使用规范化、数据离散化和概念分层等方法，使得数据的挖掘可以在多个抽象层面上进行。数据变换操作是提升数据挖掘效果的附加预处理过程。
6. 对固体样品的常见预处理方法有哪些各有何优缺点
对固体样品的常见预处理方法有哪些
溶剂提取法 同一溶剂中，不同物质具有不同的溶解度。利用混合物中各物质溶解度的不同将混合物组分完全或部分分离的过程称为萃取，也称提取。常用方法有以下几种。 (一)浸提法 浸提法又称浸泡法。用于从固体混合物或有机体中提取某种物质，所采用的提取剂，应既能大量溶解被提取的物质，又要不破坏被提取物质的性质。为了提高物质在溶剂中的溶解度，往往在浸提时加热。如用索氏抽提法提取脂肪。提取剂是此类方法中重要因素，可以用单一溶剂，也可以用混合溶剂。 (二)溶剂萃取法 溶剂萃取法用于从溶液中提取某一组分，利用该组分在两种互不相溶的试剂中分配系数的不同，使其从一种溶液中转移至另一种溶剂中，从而与其他组分分离，达到分离和富集的目的。通常可用分液漏斗多次提取达到目的。若被转移的成分是有色化合物，可用有机相直接进行比色测定，即萃取比色法。萃取比色法具有较高的灵敏度和选择性。如双硫腙法测定食品中的铅含量。此法设备简单、操作迅速、分离效果好，但是成批试样分析时工作量大。同时，萃取溶剂常易挥发，易烧．且有毒性，操作时应加以注意。 盐析法 向溶液中加入某种无机盐，使溶质在原溶剂中的溶解度大大降低，而从溶液中沉淀析出，这种方法叫做盐析。如在蛋白质溶液中加入大量的盐类(硫酸铵)，特别是加入重金属盐，使蛋白质从溶液中沉淀出来。 在进行盐析工作时，应注意溶液中所加入的物质的选择。它应是不会破坏溶液中所要析出的物质，否则达不到盐析提取的目的。 化学分离法 (一)磺化法和皂化法 这是处理油脂或脂肪样品时经常使用的方法。例如，残留农药分析和脂溶性维生素测定中，油脂被浓硫酸磺化，或被碱皂化，由疏水性变成亲水性，使油脂中需检测的非极性物质能较容易地被非极性或弱极性溶剂提取出来。 (二)沉淀分离法 沉淀分离法是利用沉淀反应进行分离的方法。在试样中加入适当的沉淀剂,使被测组分沉淀下来，或将干扰组分沉淀除去，从而达到分离的目的。 (三)掩蔽法 利用掩蔽剂与样液中的干扰成分作用，使干扰成分转变为不干扰测定的状态，即被掩蔽起来。运用这种方法，可以不经过分离干扰成分的操作而消除其干扰作用，简化分析步骤，因而在食品分析中应用十分广泛，常用于金属元素的测定。 色层分离法 色层分离法又称色谱分离法，是一种在载体上进行物质分离的方法的总称。根据分离原理的不同，可分为吸附色谱分离、分配色谱分离和离子交换色谱分离等。此类方法分离效果好，近年来在食品分析中应用得越来越广泛。色层分离不仅分离效果好，而且分离过程往往也就是鉴定的过程。本法常用于有机物质的分析测定。 (一)吸附色谱分离 吸附色谱分离法利用聚酰胺、硅胶、硅藻土、氧化铝等吸附剂，经过活化处理后，具有适当的吸附能力，可对被测组分或干扰组分进行选择性的吸附而达到分离的目的。比如：食品中色素的测定，可将样品溶液中的色素经吸附剂吸附(其他杂质不被吸附)，经过过滤、洗涤，再用适当的溶剂解吸，得到比较纯净的色素溶液。吸附剂可以直接加入样品中吸附色素，也可将吸附剂装入玻璃管制成吸附柱或涂布成薄层板使用。 (二)分配色谱分离 分配色谱分离法根据两种不同的物质在两相中的分配比不同进行分离的，两相中一相是流动的，称为流动相；另一相是固定的，称为固定相。当溶剂渗透于固定相中并向上渗透时，分配组分就在两相中进行反复分配，进而分离。例如：多糖类样品的纸上层析，样品经酸水解处理，中和后制成试液，在滤纸上进行点样，用苯酚一1％氨水饱和溶液展开，苯胺邻苯二酸显色剂显色，于105℃加热数分钟，可见不同色斑：戊醛糖(红棕色)、己醛糖(棕褐色)、己酮糖(淡棕色)、双糖类(黄棕色)的色斑。 (三)离子交换色谱分离 离子交换色谱分离法是利用离子交换剂与溶液中的离子之间所发生的交换反应来进行分离的方法。根据被交换离子的电荷分为阳离子交换和阴离子交换。该法可用于从样品溶液中分离待测离子，也可从样品溶液中分离干扰组分。分离操作可将样液与离子交换剂一起混合振荡或将样液缓缓通过事先制备好的离子交换柱，则被测离子与交换剂上的H+或OH-发生交换，被测离子或干扰组分上柱，从而将其分离。例如：可以利用离子交换色谱分离法制备无氨水、无铅水及分离比较复杂的样品。 浓缩法 食品样品经提取、净化后，有时净化液的体积较大，被测组分的浓度太低，会影响最后结果的测定。此时需要对被测样液进行浓缩，以提高被测成分的浓度。常用的方法有常压浓缩和减压浓缩两种。 (一)常压浓缩法 常压浓缩法只能用于待测组分为非挥发性的样品试液的浓缩，否则会造成待测组分的损失。操作可采用蒸发皿直接挥发。如果溶剂需要回收，则可用一般蒸馏装置或旋转蒸发器。该法操作简便、快速，是常用的方法。 (二)减压浓缩法 减压浓缩法主要用于待测组分为热不稳定性或易挥发的样品净化液的浓缩，其样品净化液的浓缩需采用K—D浓缩器。浓缩时，水浴加热并抽气减压，以便浓缩在较低的温度下进行，且速度快，可减少被测组分的损失。食品中有机磷农药的测定(如甲胺磷、乙酰甲胺磷)多采用此法浓缩样品净化液。
7. 网页打不开预处理的方法
用户是否使用路由器，核实用户使用台数，联系机房核实用户是否属１拖Ｎ封停。2、如果用户宽带显示连接，网页打不开QQ登不上，可帮用户做个测试，方法：开始→运行→在“打开”输入“cmd”→在光标显示处输入“ipconfig”→回车→显示一个本地连接，一个宽带连接说明是正常的，如果只有一个本地连接，就说明宽带没有连接上，重新建个宽带连接，把猫关了重启再试。了解更多服务优惠点击下方的“官方网址”客服219为你解答。
8. 有机化合物测定的预处理方法
在样品制备过程中，应注意防止易挥发性成分的逸散，避免样品组成和理化性质发生变化。做微生物检验的样品，必须根据微生物学的要求，按照无菌操作规程制备。
食品的成分复杂，既含有大分子的有机化合物，如蛋白质、糖类、脂肪等，也含有各种无机元素，如钾、钠、钙、铁等。这些组分往往以复杂的结合态形式存在。当应用某种化学方法或物理方法对其中一种组分的含量进行测定时，其他组分的存在常常给测定带来干扰。因此，为了保证检验工作的顺利进行，得到准确的检验结果，必须在测定前排除干扰组分。此外，有些被测组分在食品中含量极低，如农药、黄曲霉毒素、污染物等，要准确检验出其含量，必须在检验前对样品进行浓缩。以上这些操作过程统称为样品预处理，它是食品检验过程中的一个重要环节，直接关系着检验的成败。
样品预处理总的原则是：消除干扰因素，完整保留被测组分，并使被测组分浓缩，以获得可靠的分析结果。常用的样品预处理方法有以下几种。
一、有机物破坏法
有机物破坏法主要用于食品无机元素的测定。食品中的无机元素，常与蛋白质等有机物质结合，成为难溶、难离解的化合物。要测定这些无机成分的含量，需要在测定前破坏有机结合体，释放出被测组分。通常采用高温、或高温加强烈氧化条件，使有机物质分解，呈气态逸散，而被测组分残留下来。
各类方法又因原料的组成及被测元素的性质不同可有许多不同的操作条件，选择的原则应是：第一，方法简便，使用试剂越少越好；第二，方法耗时间越短，有机物破坏越彻底越好；第三，被测元素不受损失，破坏后的溶液容易处理，不影响以后的测定步骤。
根据具体操作方法不同，又可分为干法和湿法两大类。
(1)干法灰化：又称为灼烧法，是一种用高温灼烧的方式破坏样品中有机物的方法。干法灰化法是将一定量的样品置于钳祸中加热，使其中的有机物脱水、炭化、分解、氧化，再置高温电炉中（一般约550℃）灼烧灰化，直至残灰为白色或浅灰色为止，所得残渣即为无机成分，可供测定用。除汞外大多数金属元素和部分非金属元素的测定都可用此法处理样品。
干法灰化法的特点是不加或加入很少的试剂，故空白值低；因多数食品经灼烧后灰分体积很少，因而能处理较多的样品，可富集被测组分，降低检测限；有机物分解彻底，操作简单，无需操作者看管。但此法所需时间长；因温度高易造成易挥发元素的损失；并且坩涡对被测组分有一定吸留作用，致使测定结果和回收率降低。
干法灰化提高回收率的措施：可根据被测组分的性质，采取适宜的灰化温度；也可加入助灰化剂，防止被测组分的挥发损失和柑祸吸留。例如：加氯化镁或硝酸镁可使磷元素、硫元素转化为磷酸镁或硫酸镁，防止它们损失；加入氢氧化钠或氢氧化钙可使卤素转化为难挥发的碘化钠或氟化钙；加入氯化镁及硝酸镁可使砷转化为砷酸镁；加硫酸可使一些易挥发的氯化铅、氯化镉等转变为难挥发的硫酸盐。
9. 预处理是什么 包括哪两种方法
数据库基础分析为什么要进行预处理数据 收藏
做数据预处理很重要，但是如何做好数据预处理似乎是件更困难的事。。。。。
-----------------------------------------------------------------------------------------------------------------------
当今现实世界的数据库极易受噪声、丢失数据和不一致数据的侵扰，因为数据库太大（常常多达数千兆字节，甚至更多），并且多半来自多个异构数据源。低质量的数据将导致低质量的挖掘结果。“如何预处理数据提高数据质量，从而提高挖掘结果的质量？如何预处理数据，使得挖掘过程更加有效、更加容易？”
有大量数据预处理技术。数据清理可以用来去掉数据中的噪声，纠正不一致。数据集成将数据由多个源合并成一致的数据存储，如数据仓库。也可以使用数据变换，如规范化。例如，规范化可以提高涉及距离度量的挖掘算法的准确率和有效性。数据归约可以通过聚集、删除冗余特征或聚类等方法来减小数据规模。这些技术不是互斥的，可以一起使用。例如，数据清理可能涉及纠正错误数据的变换，如将日期字段变换成共同的格式。这些数据处理技术在挖掘之前使用，可以显着地提高挖掘模式的总体质量和/或减少实际挖掘所需要的时间。
介绍数据预处理的基本概念，介绍作为数据预处理基础的描述性数据汇总。描述性数据汇总帮助我们研究数据的一般特征、识别噪声或离群点，对成功的数据清理和数据集成很有用。数据预处理的方法组织如下：数据清理、数据集成与变换和数据归约。概念分层可以用作数据归约的一种替换形式，其中低层数据（如年龄的原始值）用高层概念（如青年、中年或老年）替换。这种形式的数据归约，在那里我们讨论使用数据离散化技术，由数值数据自动地产生概念分层。
为什么要预处理数据
想象你是AllElectronics的经理，负责分析涉及你部门的公司销售数据。你立即着手进行这项工作，仔细地审查公司的数据库和数据仓库，识别并选择应当包含在分析中的属性或维，如item, price和units_sold。啊！你注意到许多元组在一些属性上没有值。为了进行分析，希望知道每种购进的商品是否作了销售广告，但是发现这些信息没有记录下来。此外，你的数据库系统用户已经报告某些事务记录中的一些错误、不寻常的值和不一致性。换言之，你希望
使用数据挖掘技术分析的数据是不完整的（缺少属性值或某些感兴趣的属性，或仅包含聚集数据），含噪声的（包含错误或存在偏离期望的离群值），并且是不一致的（例如，用于商品分类的部门编码存在差异）。欢迎来到现实世界！
存在不完整的、含噪声的和不一致的数据是现实世界大型的数据库或数据仓库的共同特点。不完整数据的出现可能有多种原因。有些感兴趣的属性，如销售事务数据中顾客的信息，并非总是可用的。其他数据没有包含在内只是因为输入时认为是不重要的。相关数据没有记录可能是由于理解错误，或者因为设备故障。与其他记录不一致的数据可能已经删除。此外，记录历史或修改的数据可能被忽略。缺失的数据，特别是某些属性上缺少值的元组可能需要推导出来。
数据含噪声（具有不正确的属性值）可能有多种原因。收集数据的设备可能出故障；人或计算机的错误可能在数据输入时出现；数据传输中的错误也可能出现。这些可能是由于技术的限制，如用于数据传输同步的缓冲区大小的限制。不正确的数据也可能是由命名约定或所用的数据代码不一致，或输入字段（如日期）的格式不一致而导致的。重复元组也需要数据清理。
数据清理例程通过填写缺失的值、光滑噪声数据、识别或删除离群点并解决不一致性来“清理”数据。如果用户认为数据是脏的，则他们不会相信这些数据的挖掘结果。此外，脏数据造成挖掘过程陷入混乱，导致不可靠的输出。尽管大部分挖掘例程都有一些过程处理不完整或噪声数据，但它们并非总是鲁棒的。相反，它们着重于避免建模函数过分拟合数据。因此，一个有用的预处理步骤是使用一些清理例程处理数据。2.3节讨论清理数据的方法。回到你在AllElectronics的任务，假定在分析中包含来自多个数据源的数据。这涉及集成48 多个数据库、数据立方体或文件，即数据集成。代表同一概念的属性在不同的数据库中可能有不同的名字，这将导致不一致性和冗余。例如，顾客标识属性在一个数据库中可能是customer_id，而在另一个中为cust_id。命名的不一致还可能出现在属性值中。例如，同一个人的名字可能在一个数据库中登记为“Bill”，在第二个数据库中登记为“William”，而在第三个数据库中登记为“B”。此外，你可能会觉察到，有些属性可能是由其他属性（例如年收入）导出的。含大量冗余数据可能降低知识发现过程的性能或使之陷入混乱。显然，除数据清理之外，在数据集成时必须采取步骤，避免数据冗余。通常，在为数据仓库准备数据时，数据清理和集成将作为预处理步骤进行。还可以再次进行数据清理，检测和删去可能由集成导致的冗余。
回到你的数据，假设你决定要使用诸如神经网络、最近邻分类法或聚类这样的基于距离的挖掘算法进行分析。如果待分析的数据已经规范化，即按比例映射到一个特定的区间[0.0,1.0]，这些方法能得到更好的结果。例如，你的顾客数据包含年龄和年薪属性。年薪属性的取值范围可能比年龄大得多。这样，如果属性未规范化，距离度量对年薪所取的权重一般要超过距离度量对年龄所取的权重。此外，分析得到每个客户区域的销售额这样的聚集信息可能是有用的。这种信息不在你的数据仓库的任何预计算的数据立方体中。你很快意识到，数据变换操作，如规范化和聚集，是导向挖掘过程成功的预处理过程。
随着你进一步考虑数据，你想知道“我选择用于分析的数据集太大了，肯定降低挖掘过程的速度。有没有办法压缩我的数据集而又不损害数据挖掘的结果？”数据归约得到数据集的简化表示，它小得多，但能够产生同样的（或几乎同样的）分析结果。有许多数据归约策略，包括数据聚集（例如建立数据立方体）、属性子集选择（例如通过相关分析去掉不相关的属性）、维度归约（例如使用诸如最小长度编码或小波等编码方案）和数值归约（例如使用聚类或参数模型等较小的表示“替换”数据）。使用概念分层泛化也可以“归约”数据。泛化用较高层的概念替换较低层的概念，例如，对于顾客位置，用region或49 province_or_state替换city。概念分层将概念组织在不同的抽象层。数据离散化是一种数据归约形式，对于从数值数据自动地产生概念分层是非常有用的。
下图总结了这里讨论的数据预处理步骤。注意，上面的分类不是互斥的。例如，冗余数据的删除既是一种数据清理形式，也是一种数据归约。
概言之，现实世界的数据一般是脏的、不完整的和不一致的。数据预处理技术可以改进神经网络和最近邻分类法在第6章介绍，聚类在第7章讨论。
数据的质量，从而有助于提高其后的挖掘过程的精度和性能。由于高质量的决策必然依赖于高质量的数据，因此数据预处理是知识发现过程的重要步骤。检测数据异常、尽早地调整数据并归约待分析的数据，将在决策过程得到高回报。
10. 大数据处理之道(预处理方法）
大数据处理之道(预处理方法）
一：为什么要预处理数据？
（1）现实世界的数据是肮脏的（不完整，含噪声，不一致）
（2）没有高质量的数据，就没有高质量的挖掘结果（高质量的决策必须依赖于高质量的数据；数据仓库需要对高质量的数据进行一致地集成）
（3）原始数据中存在的问题：
不一致 —— 数据内含出现不一致情况
重复
不完整 —— 感兴趣的属性没有
含噪声 —— 数据中存在着错误、或异常（偏离期望值）的数据
高维度
二：数据预处理的方法
（1）数据清洗 —— 去噪声和无关数据
（2）数据集成 —— 将多个数据源中的数据结合起来存放在一个一致的数据存储中
（3）数据变换 —— 把原始数据转换成为适合数据挖掘的形式
（4）数据规约 —— 主要方法包括：数据立方体聚集，维度归约，数据压缩，数值归约，离散化和概念分层等。
（5）图说事实
三：数据选取参考原则
（1）尽可能富余属性名和属性值明确的含义
（2）统一多数据源的属性编码
（3）去除唯一属性
（4）去除重复属性
（5）去除可忽略字段
（6）合理选择关联字段
（7）进一步处理：
通过填补遗漏数据、消除异常数据、平滑噪声数据，以及纠正不一致数据，去掉数据中的噪音、填充空值、丢失值和处理不一致数据
四：用图说话，（我还是习惯用统计图说话）
结尾：计算机领域存在一条鄙视链的 ---- 学java的鄙视学C++的，有vim的鄙视用IDE的等等。
数据清洗的路子：刚拿到的数据 ----> 和数据提供者讨论咨询 -----> 数据分析（借助可视化工具）发现脏数据 ---->清洗脏数据（借助MATLAB或者Java/C++语言） ----->再次统计分析（Excel的data analysis不错的，最大小值，中位数，众数，平均值，方差等等，以及散点图） -----> 再次发现脏数据或者与实验无关的数据（去除） ----->最后实验分析 ----> 社会实例验证 ---->结束。