数据质量分析是数据挖掘中数据准备过程的重要一环，是数据预处理的前提，也是数据挖掘分析结论有效性和准确性的基础，没有可信的数据，数据挖掘构建的模型将是空中楼阁。
数据质量分析的主要任务是检查原始数据中是否存在脏数据、脏数据一般是指不符合要求，以及不能直接进行相应分析的数据。在日常的数据挖掘工作中，脏数据包括：
◇ 缺失值
◇ 异常值
◇ 不一致的值
◇ 重复数据及含有特殊符号（如#、￥、*）的数据
（1）缺失值分析
数据的却是主要包括记录的缺失和记录中某个字段信息的缺失，两者都会造成分析结果的不准确。以下从缺失值产生的原因及影响等方面展开分析。
缺失值产生的原因
◇ 有些信息暂时无法获取，或者获取信息的代价太大
◇ 有些信息是被遗漏的，可能是因为输入时认为不重要、忘记填写或对数据理解错误等一些人为因素而造成的，也可能是由于数据采集设备的故障、存储介质的故障、传输媒体的故障等非人为原因而丢失的。
◇ 属性值不存在。在某些情况下，缺失值并不意味着数据有错误。对于一些对象来说某些属性值是不存在的，如一个未婚者的配偶姓名、一个无业者的固定收入等。
（2）异常值分析
异常值分析时检验数据是否有录入错误以及含有不合常理的数据。忽视异常值的存在是十分危险的，不加以剔除，会对分析结果带来不良的影响。
异常值是指样本中的个别值，其数值明显偏离其余的观测值。异常值也称为离群点，异常值的分析也称为离群点分析。常用以下三种方法：
◇ 简单统计量分析
可以先对变量做一个描述性统计，进而查看哪些数据是不合理的。最常用的统计量是最大值和最小值，用来判断这个变量的取值是否超出了合理的范围。如客户的年龄最大值为199岁，则该变量的取值存在着异常。
◇ 3σ原则
如果数据服从正态分布，在3σ原则下，异常值被定义为一组测定值中与平均值的偏差超过三倍标准差的值。在正态分布的假设下，距离平均值3σ之外的值出现的概率为极个别的小概率事件。
如果数据不服从正态分布，也可以用远离平均值的多少倍的标准差来描述。
◇ 箱形图分析
箱形图又称为盒须图、盒式图或箱线图，是一种用作显示一组数据分散情况资料的统计图。因形状如箱子而得名。在各种领域也经常被使用，常见于品质管理。
在一组观测数据中，Q1称为第一分位数，或下四分位数，表示全部观测值中有四分之一的数据取值比它小；Q2称为中位数，表示位置中位数，如果数据量个数为奇数，则中位数为位置中间的数，如果数据量个数为偶数，则中位数为位置中间的两个数的平均值。Q3称为第三份位数，或上四分位数，表示全部观测值中有四分之三的数据比它小。R=Q3-Q1的值被称为内距。表示中间50%的数据。
箱形图提供了识别异常值的一个标准，异常值通常被定义为小于Q1-1.5R或大于Q3+1.5R的值。
箱线图的绘制方法是：先找出一组数据的最大值、最小值、中位数和两个四分位数；然后， 连接两个四分位数画出箱子；再将最大值和最小值与箱子相连接，中位数在箱子中间。
四分位数位置的确定方法：
Q1的位置= (n+1) × 0.25
Q2的位置= (n+1) × 0.5
Q3的位置= (n+1) × 0.75
n表示项数
对于四分位数的确定，有不同的方法，另外一种方法基于N-1 基础。即
Q1的位置=1+（n-1）x 0.25
Q2的位置=1+（n-1）x 0.5
Q3的位置=1+（n-1）x 0.75
Excel 中有两个四分位数的函数。QUARTILE.EXC和QUARTILE.INC
QUARTILE.EXC 基于 N+1 的方法，QUARTILE.INC基于N-1的方法。
示例1：现有如下的观测数据：14，6，3，2，4，15，11，8，-14，7，2，-8，3，4，10，28，25。请你用箱形图方法判断异常点。
解析：
样本个数：n=17。min=-14，max=28。EXCEL中可以用count、min、max函数实现。
（1）将原数据进行排序，排序后的数据为：-14，-8，2，2，3，3，4，4，6，7，8，10，11，14，15，25，28。
（2）中位数（Q2）：50%位置，n=17，故在(n+1)/2=9，第九个数是6。EXCEL中可以用median函数实现。
（3）第一分位数（Q1）：25%位置，n=17，故在（n+1）/4=4.5，第4个数和第5个数的平均值，即（2+3）/2=2.5。EXCEL中可以用QUARTILE函数、或PERCENTILE函数实现。
（4）第三份位数（Q3）：75%位置，n=17，故在3*（n+1）/4=13.5，第13个数和第14个数的平均值，即（11+14）/2=12.5。EXCEL中可以用QUARTILE函数、或PERCENTILE函数实现。
（5）内距（R）：R=Q3-Q1=10
（6）Whisker上限（理论值）：Q3+1.5*R=12.5+1.5*10=27.5
（7）Whisker下限（理论值）：Q1-1.5*R=2.5-1.5*10=-12.5
（8）Whisker上限（实际值）：25（小于理论值的最大实际值）
（9）Whisker下限（实际值）：-8（大于理论值的最小实际值）
（10）异常点：-14和28
EXCEL2016版本以上绘制的箱形图如下：
示例2：现有如下的观测数据：7, 15, 36, 39, 40, 41，请你用箱形图方法判断异常点。
解析：样本个数：n=6。min=7，max=41。
（1）中位数（Q2）：50%位置，n=6，故在(n+1)/2=3.5，第3和第4位置上的数的平均值，即Q2=(36+39）/2=37.5。
（3）第一分位数（Q1）：25%位置，n=6，故在（n+1）/4=1.75，Q1在第1个数和第2个数之间，且靠近第2个数，即Q1=7*0.25+15*0.75=13。
（4）第三份位数（Q3）：75%位置，n=6，故在3*（n+1）/4=5.25，Q2在第5个数和第6个数之间，且靠近第5个数，即Q3=40*0.75+41*0.25=40.25。
（5）内距（R）：R=Q3-Q1=27.25
（6）Whisker上限（理论值）：Q3+1.5*R=40.25+1.5*27.25=81.125
（7）Whisker下限（理论值）：Q1-1.5*R=13-1.5*27.25=-27.875
（8）Whisker上限（实际值）：41（小于理论值的最大实际值）
（9）Whisker下限（实际值）：7（大于理论值的最小实际值）
（10）异常点：无
