基于盒形图和回归分析实现数据过滤算法的研究分析

软件度量是对软件开发项目、过程及其产品进行数据定义、收集以及分析的持续性定量化过程，目的在于对此加以理解、预测、评估、控制和改善，从而保证软件开发中的高效率、低成本、高质量。但是，得到正确的度量只是测量程序的一部分。软件质量是与所收集和分析的数据质量密切相关的，数据清洗过程的目的就是要解决“脏数据”的问题。数据清洗是指去除或修补源数据中的不完整、不一致、含噪声的数据。在源数据中，可能由于疏忽、懒惰，甚至为了保密使系统设计人员无法得到某些数据项的数据。根据决策系统中“garbage in garbage out”（如果输入的分析数据是垃圾则输出的分析结果也将是垃圾）原理，必须处理这些噪声数据。去掉噪声平滑数据的技术主要有分箱（binning）、聚类（clustering）、回归（regression）等。本文在回归分析的基础上，加入了盒形图进行数据过滤，从而得出一条线性回归直线，使模式或者关系变得更加明显，从而用这些模式和关系对测量的属性作出判断。

1 盒形图和回归分析简介

1.1 盒形图

该方法可以描述数据集取值范围的情况，展示数据主要聚集的区域，发现离群数据可能的位置，以便于对离群数据进行处理。盒形图显示一个变量的信息，如对相同 CMM等级的不同项目完成每个FP的工作量分析，根据中位数m、上四分位数u、下四分位数l、盒长d、和尾（tail）来分析。

中位数是在数据集中排列居中的项。也就是说，如果中位数取值为m，则数据集中有一半的值大于m，一半的值小于m。将所有数值按大小顺序排列并分成四等份，处于三个分割点位置的得分就是四分位数。最小的四分位数称为下四分位数l，所有数值中，有四分之一小于下四分位数，四分之三大于下四分位数。中点位置的四分位数就是中位数。最大的四分位数称为上四分位数u，所有数值中，有四分之三小于上四分位数，四分之一大于上四分位数。也有叫第25百分位数、第75百分位数的。将上四分位数和下四分位数的距离定义为盒长d，因此，d=u-l。接下来定义分布的尾（tail）。理论上，上尾值点为u+1.5d，下尾值为 u-1.5d，这些值必须进行舍位处理，以接近真实数据，位于上尾和下尾之外的值称为离群值。

1.2 回归分析方法

回归分析方法是研究要素之间具体数量关系的强有力的工具，运用这种方法能够建立反映要素之间具体的数量关系的数学模型，即回归模型。线性回归技术的基础就是散点图。将每个属性对表示为一个数据点（x，y），然后用回归技术计算出能够最好地拟合这些点的直线。目标是将属性y（因变量）根据属性x（自变量）表示为等式：y=a+bx。

线性回归的理论是从每个点垂直向上或向下画一条线段到趋势直线，表示从数据点到趋势直线的垂直距离。在某种意义上，这些线段的长度表示数据和直线的差异，且这种差异应尽可能地小。因此，“最佳拟合”的直线式是指使该距离最小的直线。

在数学上要计算“最佳拟合”直线的斜率b和截距a是很简单的。每个点的差异称为残差，生成线性回归直线的公式是残差的平方和达到最小。可以将每个数据点的残差表示为：

2 算法实现

在进行数据清洗时，由于数据是无序输入的，所以先对其排序，再用盒形图法行数据清洗。以下是伪代码：

voidBubbleSort（doublem，doubleq，intn）//先对输入

//的数据进行冒泡排序，并相应修改

//第二组数据的顺序，以保证它们之间的对应关系

{for（inti=0；i＜n；i++）

for（intj=n-1；j＞i；j--）

{

输入数据的排序

修改第二组数据

}

}

voidbox（double*m，double*q，int&n）//盒形法筛选

//掉离群项目工作量数据，n为输入数据个数，m、q为指针

{

doublea，b，c，top，bottom，l；//上分位a，中位数b，//下分位c

if（n%2==0）//计算出3个四分位数

{

b=（*（m+n/2）+*（m+n/2-1））/2；//数据个数为

//偶数时，中位数取中间两数的平均值

a=*（m+n/4）；

c=*（m+3*n/4）；}

}

else

{b=*（m+n/2）；

a=*（m+n/4）；

c=*（m+3*n/4）；}

l=c-a；top=c+1.5*l；bottom=c-1.5*l；//计算出盒

//长，上尾数，下尾数

if（bottom＜0）bottom=m；//并进行必要的舍位处理

intj=n；

for（inti=0；i＜j；i++）//判断是否为离群值，

{

if（*（m+i）＞top‖*（m+i）＜bottom）

如有，将其从数组中剔去

}

}

接下来要对筛选出来的数据进行回归分析，从而得到一个数据模型。

voidregress（double*m，double*q，intn）//对数组

//m和数据q的数据用线性回归法进行拟合

//并用一条直线表示出它们之间的对应关系

{doubleaverage_m，average_q，total_m，total_q，L_mq，L_mm；

doublea，b；//拟合直线y=a+bx的2个待定系数

for（inti=0；i＜n；i++）。

{

//计算两组数据的和total_m和total_q

}

average_m=total_m/n；//求的第一组数据的平均值

average_q=total_q/n；//求的第二组数据的平均值

for（intj=0；j＜n；j++）

{

利用公式（1）计算两组数据m，q它们所有数据偏离程度的对应相乘之和L_mq

}

for（intk=0；k＜n；k++）

{

计算第一组数据m，它的所有数据偏离

程度的平方和L_mm

}

b=L_mq/L_mm；//计算出拟合直线的待定系数

//b的拟合值

a=average_q-b*average_m；//利用公式（2）算出参

//数a

}

从而得到一条线性直线，算法结束。

3 算法在实验数据上的实现

从SSMBSS（上海软件度量基准体系）中选取了一组数据（见表1），首先将其用散点图列出来（见图1），然后用盒形图进行数据清洗（见图2），最后用回归分析得出拟合直线（见图3）。

综上所述，对于软件度量过程中出现的数据冗余和失真的情况，可以通过数据过滤和回归分析进行处理，除去那些离群的数据，并得出相应的拟合直线，这样就可以分析出数据的规律，保证软件的质量，提高效率。

责任编辑：gt