2.1 数据类型有哪些？

面试官：所谓数据挖掘，常见的数据类型有哪些呀？

        数据集是数据挖掘的基础。数据集分为记录数据、图数据和有序数列。
        记录数据包含了数据维度和指标等记录，通常用关系数据库存储，或者矩阵存储。特别地，对于文档这种较稀疏的，可以转成词向量，用稀疏矩阵存储。
        图数据，即用图来表示数据间的关系，如地图数据等。
        有序数列，即数据属性具有时间或空间上的联系。如一些股票等金融时序数据。

2.2 怎么保证数据质量？

面试官：你在数据挖掘之前，如何保证数据质量？

程序员大树：大概有两个方面可以着手：数据清理，以及使用容忍低质量数据的算法。
        数据清洗需要解决的问题有噪声、异常值、遗漏值、重复数据等。
        噪声一般包含时间或空间分量的数据，可以采用信号或图形处理的技术降低噪声。很多数据挖掘算法在实现时都会关注鲁棒性，即噪声干扰下也可以产生能够接受的结果。
        异常值，即离群点，与其他数据对象显著不同的点。在做统计分析时，需要对异常值进行处理，比如统计某地平均收入，就要剔除掉马云之类的高收入人群，才会有普遍性。
        遗漏值，在收集数据时可能会出现一个对象缺少几个属性值的情况。处理遗漏值，可以进行简单的估计。比如对连续数据，可以用近邻点的平均值；如果是离散的，可以用最近邻点的属性值。当然，在遗漏值占比比较少时，做数据分析时也可以忽略掉遗漏值。
        重复数据，数据集可能包含重复的数据对象。去重包含两方面，一方面是一个对象有多个值，即如果有两个对象实际只代表同一个对象，而他们的属性值不同，则必须处理不一致的值。另一方面是有多个重复或者相似的值，需要把他们合并在一起。

2.3 数据预处理步骤有哪些？

面试官：说说数据预处理是怎么做的？

    （1）数据清洗：可以用来清除数据中的噪声，纠正不一致。 
    （2）数据集成：将数据由多个数据源合并成一个一致的数据存储，如数据仓库。 
    （3）数据归约：可以通过如聚集、删除冗余特征或聚类来降低数据的规模。
        数据归约常用到的是维归约。自然界收集到的数据可能会有成千上万个维度，进行挖掘时特别复杂，我们可以将旧的维度合并在一起，或者删除不相关的维度，以达到规约的目的。维规约可以用到主成成分分析的技术，后面会讲到。
    （4）数据变换：数据变换包括对数据进行规范化，离散化，稀疏化处理。常见的规范化有以下几种： 
                I. 最大 - 最小规范化：将数据映射到[0,1]区间，。
                            
                Ii. z-score变换：用于将数据变换为正态分布
                             
                Iii. 对数变换:对数变换能够缩小数据的绝对范围

2.4 如何度量相似性和相异性？

面试官：请你说说怎么度量相似性和相异性？

程序员大树：对于相异性：
相似性：
首先设x,y是两个二元向量。记：
f00=x取0且y取0的属性个数；
f01=x取0且y取1的属性个数；
f10=x取1且y取0的属性个数；
f11=x取1且y取1的属性个数。
（1）简单匹配系数SMC:
         
(2) Jaccard系数J：
 
(3)余弦相似度：可以忽略0-0的匹配，而且还能够处理非二元的向量。