★选择业务数据集合（三）

在确定关键性业务问题后，根据映射的数据挖掘问题，来选择原始业务数据集合。通常要理解业务数据的表结构和说明。

※  需要注意的是在选择数据之前，要确定目标的实验单元，即数据的主题，或者粒度等。比如客户，账目就是不同的主题，但是都是从两张表中抽取的。

※ 可以用可视化，如直方图，分布图，统计图（箱式图）来查看数据集的连续和离散字段，检查可能出现的异常值，NULL值，空值等。

※     字段离散值超过25个值时，很难从中发现有用的模式。

※     空值超过总体98%的字段可以考虑删除。

※     抽取源字段时，考虑字段间的关联性，重复列等信息

※     数据量过大可以考虑抽样，但要注意产生抽样偏差

※     对抽取转换清洗工作进行归档，保留元数据。

※     处理异常值，NULL值，空值的方法。

※     还原数据源中数据编码的原意。

※     决策树和关联规则比其他算法要适合空值的数据情况。

   这一步骤相当于Extraction。