何为数据标注数据清洗?

        数据清洗(Data cleaning)– 对数据进行重新审查和校验的过程,目的在于删除重复信息、纠正存在的错误,并提供数据一致性。

        数据清洗的主要包括:纠正错误、删除重复项、统一规格、修正逻辑、转换构造、数据压缩、补足残缺/空值、丢弃数据/变量。

        一般来说在人工智能行业数据清洗主要 是 将采集过来的语音、图片、视频、文本等数据挑选出来重复的、混乱的等等一些不符合项目要求的数据并把它给过滤掉,并使剩余部分数据达到符合项目需求的数据从而减少接下来标注工作中了出现无用的标注工作量。数据清理标准模型是将数据输入到数据清理处理器,通过一系列步骤“ 清理”数据,然后以期望的格式输出清理过的数据(如上图所示)。数据清理从数据的准确性、完整性、一致性、惟一性、适时性、有效性几个方面来处理数据的丢失值、越界值、不一致代码、重复数据等问题。

201501230640108917.jpg

数据清理一般针对具体的项目,因而难以归纳统一的方法和步骤,但是根据数据不同可以给出相应的数据清理方法。

1.解决不完整数据( 即值缺失)的方法

大多数情况下,缺失的值必须手工填入( 即手工清理)。当然,某些缺失值可以从本数据源或其它数据源推导出来,这就可以用平均值、最大值、最小值或更为复杂的概率估计代替缺失的值,从而达到清理的目的。

2.错误值的检测及解决方法

用统计分析的方法识别可能的错误值或异常值,如偏差分析、识别不遵守分布或回归方程的值,也可以用简单规则库( 常识性规则、业务特定规则等)检查数据值,或使用不同属性间的约束、外部的数据来检测和清理数据。

3.重复记录的检测及消除方法

数据库中属性值相同的记录被认为是重复记录,通过判断记录间的属性值是否相等来检测记录是否相等,相等的记录合并为一条记录(即合并/清除)。合并/清除是消重的基本方法。

4.不一致性( 数据源内部及数据源之间)的检测及解决方法

从多数据源集成的数据可能有语义冲突,可定义完整性约束用于检测不一致性,也可通过分析数据发现联系,从而使得数据保持一致。目前开发的数据清理工具大致可分为三类

30152230446.jpg

 

推荐文章

“随着自动驾驶汽车,机器人,无人机,人脸语音视频识别,智慧物流,新零售应用等方面取得了令人瞩目的进步,计算机视觉(CV)成为主流词。对于已经在该领域有一定了解的人来说,发现越来越多的人注意到这个正在改变一切的技术......”未来几年CV将会在以下九个方面占主导地位。CV应用程序越来越广泛。未来几年CV程序将普遍应用于手机,安全摄像头,虚拟镜等设备上,这对于数据隐私(消费者越来越敏感的一个问题)来说意义重大,因为应用程序不必通过互联网传输数据才能正常工作。CV产品有助于消费者的健康。安装有3D人体扫描仪的传感器,很多产品将会在更多的家庭中普及,因为消费者会通过新技术来了解自己的健康状况。这些传感器可以提供反馈,如体脂率、身体质量指数,基础代谢率以及随时间跟踪身体图像等。CV进入越来越多的家庭。依靠语音系统运行的智能扬声器已经开始进入消费者的家庭。正如消费者已经用这些设备来收听新闻,进行语音搜索以及在家中的语音控制系统一样,我相信消费者将越来越多地接受家中的CV驱动应用程序 – 特别是当这些应用程序能够让人们控制自己看到的内容和时间等。亚马逊的Echo Look就是这样一个例子,它在室外安全系统中使用面部识别技术来区分接近你家的熟人和陌生人。更多工业,供应链和库存CV应用。随着制造商寻找新的方法来减少劳动力成本和解决安全隐患,他们会越来越多地投资于CV,这种可以超越人类视觉的应用程序在协助制造关键功能,包括预测性维护和缺陷预防。我们将看到拥有大型物流业务的公司投资于CV技术,以实现更快、更好的配送。而且,我们将看到更多的零售商投资于配备摄像头的库存机器人更广泛地部署无收银技术。在未来一段时间随着消费者越来越多地学会欣赏无收银员的结账体验,我们将在这个领域看到更多的竞争。亚马逊显然没有放慢速度;据彭博社报道,到2021年,该公司可能会开设多达3,000家无收银店。推动数据监管和隐私保护。由于一系列备受瞩目的数据隐私丑闻,2018年发生的一些重大技术事故可能会增加消费者对技术公司数据管理的不满和不信任。毫无疑问,在未来一段时间随CV数据会受到各种各样的条例监管,更多的AI应用程序(恕我直言,这是一件好事)也会更透明。CV越来越有助于训练数据。越来越多的企业家投资CV技术,以便更高效,更准确地生成高质量数据。在未来我们还将看到CV越来越多地帮助保护消费者隐私,例如匿名化个人面孔的模型可能出现在自动驾驶车辆收集的数据中。越来越多的人将乘坐自动驾驶汽车。到目前为止,乘坐过自动驾驶汽车的人的第一手经验是有限的。虽然短期内不会大幅增长,但由于推出的系列服务,预计这一数字将逐渐上升。此外,尽管中国还没有自动驾驶汽车相关法律,但这将在未来一段时间随逐渐实现,因为随着未来一年道路测试的增加,我们将看到对安全法规的更严格审查。气候变化问题将推动对预测性农业的更多投资。 CV正在彻底改变许多农业任务,例如种植种子,收割作物,分发农药,灌溉和肥料等等。在预测性农业中使用CV技术可以通过利用CV技术帮助种植者更高效并且可持续地耕种。

热门文章

        对数据标注行业稍微有些了解的人都知道数据标注进入门槛低,适合很多人兼职也适合创业。        正是因为数据标注行业的门槛低这个特点最近两年从事数据标注的小公司小工作室如雨后春笋般的遍布全车大大小小的县城。        但是目前有个有趣的现象,那就是有很多进入数据标注行业做了一段时间的人慢慢的感觉数据标注行业就是个坑?为什么有些人会说数据标注就是个坑呢?        其实对与有上述问题认识的人我们认为,这些人多数都是有于对这个行业对自身条件的不了解,盲目的开始进入数据标注行业的。为什么我们会这样说呢?下面就给给大家来分析下到底有哪几方面的原因:        一、有相当一部分人是听了朋友或者网上消息说这行很火爆,好做,门槛低,也有一部分人了因此租办公室买电脑招人,然后就去群里面找分发项目的人就开张干起来了。可实际上这些人他们大多数都没有充分了解数据标注行业,更没有认真仔细得去调查分析,到底自己能不能做好一个项目,到底自己能不能有质有量按时交付的完成一个项目,到底自己有没有这个能力来管理项目。更多的人也没有去用长远的眼光去考虑数据标注项目。        二、数据标注项目虽然入门门槛低,但是相当一部分有于理解认知应变能力上都不能保证去做好数据标注项目,还有一部分人由于自己对标注项目重视程度不足接到项目之后呢?不仔细认真的去阅读理解项目规则,更没有很好的对规则质检标准去培训员工,而对员工的要求主要看重每天的产出效率,从而导致接到手的项目做的质量很差,频繁的返工,有提项目甚至因为质量太烂项目方不给结算或者是结算比例很少,最终的结果就是做好些个项目但基本都是赔钱。        三、虽然业内人都 说数据标注简单,但是标注项目他也是一个系统性的工程,一个项目能不能做好并不简单的看项目好做就能赔钱。实际上决定项目赚不赚钱考验的是一个团队的项目管理水平,质量管理能力,运营能力各方面因素的。一句话再好赚钱的项目也照样有人赚钱也有人赚钱,要赚钱不是那么简单的。        四、还有些工作室 、小公司因为对行业不够了解等他们做了一段时间后发现,自己团队经常会没有项目做,而自己团队接项目的业务能力又不具备,甚至有的时候为了员工有活干去接一些价格极低根本就不赚钱的标注项目,时间稍微一长这些工作室团队就会赔上很多钱最终关门倒闭。        五、下来要说的就是一部分人人兼职人员由于认识不到位,对项目的规则质量要求 文件不认真阅读消化理解导致做的项目质量差返工有的甚至最后不结算,最终退出这行。更有一些人由于经验不足被标注行业的项目骗子给忽悠到辛苦劳动到最后结算时找不到人。        标注行业本身由于进入门槛低,做的人很行业内盲目打价格战,导致很多转手二手三手的项目在质量工期的要求下根本就不赚钱甚至赔钱,所以在这里也提醒大家做任何事都要谨慎而行。