我正在尝试使用不同的数据源（例如：Zalando、Otto 等）对个人的购买行为进行建模。当我结合数据源时，我发现跨这些渠道的数据非常不同。
例如，5% 的人使用特定渠道大量购物，但不使用其他渠道。当我尝试从这些信息中建模任何东西时，它表现不佳，因为总体而言，它是一个稀疏的数据集，但每列的 % 应该是一小部分人口的非常好的预测指标。
我的问题是：如何组合/标准化这样一个数据非常稀疏的数据集？
如何规范化来自多个来源的数据？
数据挖掘
预测建模
数据清理
正常化
2022-02-17 13:07:00
2个回答
确保在合并数据集时，列信息尽可能通用，这意味着：当您将 A 与 B 合并时，请确保将“在（任何）在线渠道购买”而不是“在 A 的在线渠道购买”命名”和“在 B 的在线渠道购买。
合并来自完全不同数据源的数据集非常困难，因为它们的基本思想不同。
我认为不可能合并它们并规范化数据以重新平衡类。
以下是可能出现的问题的示例。
您有 2 个数据源，一个较小，主要是男性，另一个较大，主要是女性，您希望将它们合并在一起。如果您知道总体分布，您可以随机抽取一些示例。如果您有很多不同的变量和/或不知道它们的分布，这将变得很困难。
您可以尝试查找不同数据源（流量、nb 用户等）的大小，并尝试在最终合并数据集中匹配此分布（较大的站点在合并数据集中具有较大比例的事件，因为它们可能代表较大的部分人口）