3224.下列哪些是数据预处理的常用技术

题目：下列哪些是数据预处理的常用技术 正确答案：ABCD 解析： 本题考查的是对数据预处理常用技术的理解与掌握。数据预处理是机器学习和数据挖掘中的关键步骤，目的是将原始数据转换为更适合建模的形式。以下是对各选项的逐一分析： A：数字属性的缺失值补0 解析：该方法属于缺失值处理的一种常见策略，称为“缺失值填补”。对于数值型特征，当缺失数据较少且假设缺失代表无意义或零效应时（例如收入为0、计数为0等），可以用0进行填充。虽然补0并非在所有情况下都合理（可能引入偏差），但在特定场景下是一种常用的简单处理方式，因此属于数据预处理的常用技术之一。 B：LabelEncoder 解析：LabelEncoder 是一种将分类变量（字符串标签）转换为数值形式的技术。例如，将“男”“女”转换为0和1。由于大多数机器学习算法只能处理数值型输入，因此需要对类别型变量进行编码，LabelEncoder 是实现这一目标的常用工具，广泛应用于预处理阶段。 C：OneHotEncoder（one-hot encoder） 解析：OneHotEncoder 将分类变量转换为二进制向量形式，避免给类别赋予不合理的数值顺序关系。例如，颜色特征包含“红”“绿”“蓝”，通过 one-hot 编码转化为三维二进制向量。相比 LabelEncoder，它更适合无序分类变量，防止模型误认为类别之间存在大小关系，是数据预处理中非常标准的做法。 D：CountVectorizer 解析：CountVectorizer 主要用于文本数据的预处理，其功能是将文本语料库转换为词频矩阵，即每个词在文档中出现的次数作为特征值。这是自然语言处理任务中常见的向量化方法，属于文本数据预处理的核心技术之一。因此，在涉及文本输入的机器学习流程中，CountVectorizer 是典型的预处理工具。 核心知识点总结： 1. 缺失值处理：包括删除、均值/中位数/众数填充、补0等方式，根据业务逻辑选择合适策略。 2. 特征编码： - LabelEncoder：适用于有序分类变量或作为中间步骤（如树模型中可直接使用）。 - OneHotEncoder：适用于无序分类变量，消除数值顺序误解。 3. 文本向量化： - CountVectorizer：基于词袋模型，将文本转为词频特征向量，是NLP预处理的基础步骤。 结论：四个选项均属于数据预处理在不同类型数据（数值、类别、文本）中的典型技术应用，因此全部正确。 答案：ABCD