1、数据挖掘：（定义）从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程称为数据挖掘。（功能）概念描述、关联分析、分类与预测、聚类分析、趋势分析、孤立点分析以及偏差分析等。（典型数据挖掘系统组成）数据库，数据仓库或其他信息库；数据库或数据仓库服务器；知识库；数据挖掘引擎；图形用户界面。（步骤）（1）数据清理：消除重复的、不完全的、违反语义约束的数据（2）数据集成：多种数据源可以组合在一起（3）数据选择：从数据库中检索与分析任务相关的数据（4）数据变换：数据变换或统一成适合挖掘的形式，如通过汇总或聚集操作（5）数据挖掘：使用智能方法提取数据模式（6）模式评估：根据某种兴趣度度量，识别表示知识的真正有趣的模式（7）知识表示：使用可视化和知识表示技术，向用户提供挖掘的知识（前4个是数据预处理步骤）
2、据预处理：（原因）原始业务数据来自多个数据库或数据仓库，它们的结构和规则可能是不同的，这将导致原始数据非常的杂乱、不可用，即使在同一个数据库中，也可能存在重复的和不完整的数据信息，为了使这些数据能够符合数据挖掘的要求，提高效率和得到清晰的结果，必须进行数据的预处理。（内容）a数据清洗：包括填充空缺值，识别孤立点，去掉噪声和无关数据。b数据集成：将多个数据源中的数据结合起来存放在一个一致的数据存储中。需要注意不同数据源的数据匹配问题、数值冲突问题和冗余问题等。c数据变换：将原始数据转换成为适合数据挖掘的形式。包括对数据的汇总、聚集、概化、规范化，还可能需要进行属性的重构。d数据归约：缩小数据的取值范围，使其更适合于数据挖掘算法的需要，并且能够得到和原始数据相同的分析结果。（数据清理基本内容）1尽可能赋予属性名和属性值明确的含义；2统一多数据源的属性值编码；3去除无用的惟一属性或键值如自动增长的id；4去除重复属性在某些分析中，年龄和出生日期可能就是重复的属性，但在某些时候它们可能又是同时需要的5去除可忽略字段大部分为空值的属性一般是没有什么价值的，如果不去除可能造成错误的数据挖掘结果6合理选择关联字段对于多个关联性较强的属性，重复无益，只需选择其中的部分用于数据挖掘即可，如价格、数据、金额7去掉数据中的噪音、填充空值、丢失值和处理不一致数据。（处理空缺值方法）忽略该记录；去掉属性；手工填写空缺值；使用默认值；使用r