空间数据挖掘在获取数据后第一件事情就是对数据进行预处理。
预处理原因：数据质量差
数据不完整
噪声
不同数据源获取的统一数据不一致
而高质量的数据才有高质量的结果，预处理目的有两个，提高数据质量，加快挖掘信息的速率。
预处理的主要任务有：
数据清理：填空缺，去噪声（这两个一般用插值），识别或删除离群值（与实际情况偏离较大但是不是噪声的有用点），解决不一致（看数据的可靠性之类的）
数据集成：集成到数据库，数据立方体（逻辑上等同于EXCEL数据透视表），文件
数据归约：数据集简化的表示，理解为小数据集，能得到大数据集相同或相似的结果。主要方法有给出特征子集（就是删多余数据），主成分分析。
数据变换：规范化。
数据离散化：离散化数据，概念分层。各种划分方法：分级，直方图，聚类，决策树~
具体处理不说了，一般来说就是常规统计方法和线性平滑。
新出来的概念大概是数据库、数据仓库和数据立方体。
数据仓库：一个面向主题的、集成的、时变的、非易失的数据集合，支持管理部门的决策过程。
数据库与数据仓库区别
（感觉类似面向流程和面向对象~蜜汁感觉）
数据仓库基于多维数据模型，其中数据立方体最为典型。
看了一大圈，才发现思想和EXCEL数据透视图一样一样的。就是能把不同的维度抽出来可视化，但实际底层储存应该还是和数据库差不多，都是一张张表。
事实表对应数据库，维表对应数据仓库，不同的维组成数据立方体。对某一数据立方体能进行上卷、下钻、切片和切块、转轴等操作。
上卷：某一维度进行合并，比如6个城市归并到两个国家。
下钻：与上卷对应，2个国家拆成6个城市。
切块：只取数据立方体一部分研究，得到立方体一块。
切片：只取数据立方体一个维度里面的一项。如之前研究全国，现在只研究一个城市。
转轴：坐标转换...
最后，上升到专业——空间数据挖掘预处理。
emmm，感觉没啥多的东西，就是把人家数据挖掘的东西套在地理层面上...
空间数据仓库：面向主题的、集成的、时变的和非易失性的空间和非空间数据的集合，支持空间数据挖掘和与空间数据相关的决策过程。（真就生搬硬套概念...）
实现方面主要多了GIS技术，采用星型/雪花模式。
（大的事实表催生各种维度表）
空间数据立方体可以有三个基本维：非空间维（非空间数据，如降雨，气温），矢量维（矢量数据）和hldkfd（栅格数据）。以及催生了4种混合维。
最后讲空间数据挖掘的时候，感觉总体向空间数据仓库偏移，然后有种努力想建立体系但是又很杂反而说不出来很多东西的感觉...（当然，也有可能我太菜了QAQ，反正就是建立不了体系，这章其实读下来，通篇就四个字，数据仓库....）