數據清洗工作中面對的對象有三個——異常值，缺失值和重復值。而每個骯臟數據都是有各自的清洗方法，尤其是異常值的方法是最多的。由此可見，數據中的異常值是有很多的，在上一篇文章中我們給大家介紹了關于清洗異常值的一些方法，在這篇文章中我們會繼續為大家介紹異常值的清洗。

第一我們給大家介紹的是基于模型檢測，具體操作就是先建立一個數據模型，異常是那些同模型不能完美擬合的對象；如果模型是簇的集合，則異常是不顯著屬于任何簇的對象；在使用回歸模型時，異常是相對遠離預測值的對象。而這個方法的優點就是有堅實的統計學理論基礎，當存在充分的數據和所用的檢驗類型的知識時，這些檢驗可能非常有效，當然，缺點就是對于多元數據，可用的選擇少一些，并且對于高維數據，這些檢測可能性很差。

第二就是基于距離檢測，通?？梢栽趯ο笾g定義鄰近性度量，異常對象是那些遠離其他對象的對象。這種方法的優點就是簡單。缺點就是基于鄰近度的方法需要O(m2)時間，大數據集不適用。當然該方法對參數的選擇也是敏感的。同時不能處理具有不同密度區域的數據集，因為它使用全局閾值，不能考慮這種密度的變化。

第三就就是基于密度，當一個點的局部密度顯著低于它的大部分近鄰時才將其分類為離群點。適合非均勻分布的數據。這種方法的優點就是給出了對象是離群點的定量度量，并且即使數據具有不同的區域也能夠很好的處理，同時與基于距離的方法一樣，這些方法必然具有O(m2)的時間復雜度。對于低維數據使用特定的數據結構可以達到O(mlogm)。而缺點就是參數選擇困難。雖然算法通過觀察不同的k值，取得最大離群點得分來處理該問題，但是，仍然需要選擇這些值的上下界。

最后就是基于聚類，一個對象是基于聚類的離群點，如果該對象不強屬于任何簇。離群點對初始聚類的影響如果通過聚類檢測離群點，則由于離群點影響聚類，存在一個問題：結構是否有效。優點就是基于線性和接近線性復雜度（k均值）的聚類技術來發現離群點可能是高度有效的，而簇的定義通常是離群點的補，因此可能同時發現簇和離群點。缺點就是產生的離群點集和它們的得分可能非常依賴所用的簇的個數和數據中離群點的存在性。同時聚類算法產生的簇的質量對該算法產生的離群點的質量影響非常大。

在這篇文章中我們給大家介紹了關于數據清洗的剩余一部分知識，通過對這些知識的了解可以幫助我們更好地理解數據分析工作。希望大家通過對這些數據分析清洗方法的學習，可以在工作時更加得心應手，也算是提升個人的職場競爭力。