案例探讨优秀讲义.pptVIP

* / 森马官方旗舰店/ 李宁官方商城 * 内容 简介 原始数据源 资料前置处理 资料仓储设计 资料探勘结果 总结 * 简介 以图书借阅数据为例，说明数据探勘的处理过程: 数据取得、需求分析、资料整理、 资料仓储建立、资料探勘、结果分析。 探讨问题： 探讨不同科系是否借阅不同类别的书？ 不同年级学生是否借阅不同类别的书？ 大学部与研究生是否有不同的借阅习惯？ 图书分类是否有改进的地方？ 借阅纪录是否隐藏不易发掘而且重要的信息 ？ 实例解说资料探勘过程，了解数据探勘的过程，建立具体的印象与观念，注重过程，而非结果。 * 内容 简介 原始数据源 资料前置处理 资料仓储设计 资料探勘结果 总结 * 原始数据源 根据需求分析，只考虑书籍、系所部门、读者、借阅数据 四个数据表 数据表名称 原始资料总笔数 字段个数 Book 364299 22 Department 323 9 Reader 37318 31 History (借阅历史资料) 1132648 3 * 内容 简介 原始数据源 资料前置处理 资料仓储设计 资料探勘结果 总结 * 第一阶段数据前置处理(1) 原始数据利用数据转换汇入SQL Server 将 Reader与 Department 数据表合成新的 Reader 数据表 。 在Reader 数据表内： 增加college字段，建立：系所?学院 概念阶层。 依学号分类，新增grade字段，记录用户年级，区分为「freshman、sophomore、junior、senior、postgraduate、candidate for PhD、teacher」等七个类别。 只保留 rno(读者id)、dept_code、dept_name、college_name、grade 字段，其余字段全部删除。  * 第一阶段数据前置处理(2) 在Book 数据表内的： 根据中西文图书分类，在索书号上新增sub_class及class属性，建立书籍种类的概念阶层 。 将language字段重新分类，保留最多的中文、英文、日文三类，将其余语言归类为other。 建立publsih_interval字段，出版年以五年为一区间，作为出版年代的概念阶层之用。 仅留下marc_id(书籍id)、title、author、publisher、publish_year、language、subject、marc_class、class、sub_class、publish_interval等字段。 * 第一阶段数据前置处理(3) 利用中西文图书分类检表，将书分为4大类，大类再细分成子项目。 * 第一阶段数据前置处理(4) 在History 数据表内： 将借阅日期拆成三个字段：借阅年、借阅月、借阅日，作为将来时间的概念阶层。 加入amount 字段，代表借书的本数，一般都为 1，作为事实数据表的量值。 仅留下marc_id、rno、borrow_year、borrow_month、borrow_date、amount字段，其中amount字段为量值。 * 第二阶段数据前置处理(1) 在 Reader 数据表，分析对象为正常学制学生，删除外校人士、行政人员、在职专班、转系、大五、大六、系所空白者、身分无法辨认者。 在 Book 数据表内，删除索书号不完全者；删除期刊数据及校内论文、不能外借之书籍（如当期杂志）、视听资料（如CD、LD、tape）等。 在 History 数据表内，删除索书号不完整之纪录；删除rno(user id)无法在整理过的Reader 数据表找到之纪录；删除索书号无法在整理过的Book 数据表找到之纪录。 * 第二阶段数据前置处理(2) 资料整理前后数据表内容变化比较 数据表 名称 原始资料总笔数 资料整理后的总笔数 原始字段个数 整理过后字段个数 Book 364299 75214 22 11 Reader 37318 8587 31 5 History 1132648 612075 3 6 * 内容 简介 原始数据源 资料前置处理 资料仓储设计 资料探勘结果 总结 * 数据仓储设计(1) 事实数据表：History 为事实数据表，amount 量值。 维度：Reader、Book与Time三个维度。 * 数据仓储设计(2) 在Reader 维度数据表内找到两种概念阶层： 年级：rno ? grade 学院系所：rno ? dept_name ? college_name 在Book 维度数据表内找到三种概念阶层： 语言：title ? language 主题分类：title ? sub_class ? class 出版年：publish_year ? publish_interval 在 Time 维度找到一种概念阶层