La noción de dimensionalidad de los datos sustenta todo este concepto. La dimensionalidad se refiere al número de atributos (o características) asignados a un único conjunto de datos. Sin embargo, aquí hay una contrapartida: cuanto mayor sea la dimensionalidad, más almacenamiento de datos exigirá ese conjunto de datos. Además, a mayor dimensionalidad, más frecuente es que los datos tiendan a ser dispersos, lo que complica el necesario análisis de valores atípicos.

Reducir la dimensionalidad contrarresta ese efecto al limitar el "ruido" de los datos y permitir una mejor visualización de los mismos. Un ejemplo excelente de reducción de la dimensionalidad es el método de la transformada de ondícula, que facilita la compresión de imágenes al mantener la distancia relativa que existe entre los objetos en varios niveles de resolución.

La extracción de características es otra posible forma de transformar los datos. Se trata de convertir los datos originales en características numéricas y funciona conjuntamente con el machine learning. Se diferencia del análisis de componentes principales (ACP), otro método para reducir la dimensionalidad de grandes conjuntos de datos. En él, un conjunto considerable de variables se transforma en un conjunto más pequeño, pero conservando la mayor parte de los datos del conjunto grande.

Este otro método consiste en seleccionar un formato más pequeño y con menor uso intensivo de datos para su representación. Existen dos tipos de reducción de la numerosidad: la que se basa en métodos paramétricos y la que se basa en métodos no paramétricos. Los métodos paramétricos, como la regresión, se concentran en los parámetros del modelo, con exclusión de los propios datos. Del mismo modo, podría emplearse un modelo logarítmico-lineal que se centrara en los subespacios dentro de los datos. Mientras tanto, los métodos no paramétricos (como los histogramas, que muestran la forma en que se distribuyen los datos numéricos) no se basan en ningún modelo.

Los cubos de datos son una forma visual de almacenar datos. En realidad, el término "cubo de datos" es un tanto engañoso al implicar una singularidad, ya que en realidad describe un cubo grande y multidimensional formado por cuboides más pequeños y organizados. Cada uno de estos cuboides representa algún aspecto de los datos totales dentro de ese cubo de datos, en concreto fragmentos de datos relativos a medidas y dimensiones. La agregación de cubos de datos es, por tanto, la consolidación de datos en el formato visual de un cubo multidimensional, que reduce el tamaño de los datos al almacenarlos en un contenedor único y específico para ese fin.

Otro método de reducción de datos es la discretización de datos, en la que se crea un conjunto lineal de valores de datos basado en un conjunto definido de intervalos, cada uno de los cuales corresponde a un valor de datos específico.

Se pueden utilizar varios tipos de codificación para limitar el tamaño de los archivos y lograr una compresión de datos satisfactoria. En general, se considera que las técnicas de compresión de datos utilizan la compresión sin pérdidas o la compresión con pérdidas, y se agrupan según esos dos tipos. En la compresión sin pérdidas, el tamaño de los datos se reduce mediante técnicas y algoritmos de codificación, y los datos originales completos pueden restaurarse si es necesario. La compresión con pérdidas, en cambio, utiliza otros métodos de compresión. Aunque los datos procesados se conservan, no son una copia exacta, como ocurre con la compresión sin pérdidas.

Algunos datos deben limpiarse, tratarse y procesarse antes de someterlos a los procesos de análisis y reducción de datos. Parte de esta transformación puede implicar la conversión de los datos de analógicos a digitales. El binning es otro ejemplo de preprocesamiento de datos, en el que se utilizan valores medianos para normalizar diversos tipos de datos y garantizar la integridad de los datos en su conjunto.