随着信息技术的快速发展,数据正在爆炸式增长,数据挖掘应运而生。数据挖掘是从数据中获取知识的技术,因此数据的质量尤为重要。但由于人工的疏漏,网络的错误等原因导致数据或多或少存在着各种问题,包括属性值异常、记录重复和数据值缺失等,而这些脏数据将导致挖掘出的信息可信度较低。在数据挖掘之前对数据进行预处理尤为重要,而数据清洗就是数据预处理的关键技术。本文主要研究数据挖掘中的数据清洗技术,重点研究对缺失值数据的清洗。传统的数据清洗的种类包括重复值记录清洗、异常数据的处理和缺失值处理。聚类是数据清洗的重要技术,而基于聚类算法的缺失值填充技术仍然存在填充不稳定,填充精确度不够高等问题。为此,本文对聚类算法进行了改进,并借助于三角不等式性质,提高填充算法的效率,并给出了离散型缺失值填充的方法。实验结果显示,改进后的算法不仅能够有效的填充缺失值记录,还拥有更好的运行效率。本文主要研究内容如下。(1)通过研究发现传统的DBSCAN缺失值填充算法使用固定的Eps邻域半径进行聚类,并且在非均匀密度数据集下填充效果不理想。针对这一缺点,本文对DBSCAN算法进行了改进。改进算法的主要思想:使用可变的MinPts邻域来代替固定的Eps邻域来进行核心对象的查找,并借助于图的强连通分量理论查找数据集中的类。改进后的DBSCAN算法可以根据数据对象周围的密度自适应的调整邻域大小,不但能过滤噪声点,而且在非均匀密度数据集下具有更高的填充精确度。(2)填充缺失值记录的过程中,利用欧几里得距离公式的三角不等式性质,避免了缺失值记录与聚类中心冗余的距离计算。尤其在数据集数据量很大的情况下,能极大的提高算法的运行效率。