result_

"""

array([[0. , 0. ],

[0.25, 0.25],

[0.5 , 0.5 ],

[1. , 1. ]])

"""

scaler.inverse_transform(result) #将归一化后的结果逆转

"""

array([[ 5. , 5. ],

[ 6.25, 6.25],

[ 7.5 , 7.5 ],

[10. , 10. ]])

"""

#使用 MinMaxScaler 的参数 feature_range 实现将数据归一化到[0,1]以外的范围中

data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]

scaler = MinMaxScaler(feature_range=[5,10]) #依然实例化

result = scaler.fit_transform(data) #fit_transform 一步导出结果

result

"""

array([[ 5. , 5. ],

[ 6.25, 6.25],

[ 7.5 , 7.5 ],

[10. , 10. ]])

"""

当 X 中的特征数量非常多的时候，fit 会报错并表示：数据量太大了我计算不了

此时使用 partial_fit 作为训练接口

scaler = scaler.partial_fit(data)

使用 numpy 来实现归一化

import numpy as np

X = np.array([[-1, 2], [-0.5, 6], [0, 10], [1, 18]])

#归一化

X_nor = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))

X_nor

#逆转归一化

X_returned = X_nor * (X.max(axis=0) - X.min(axis=0)) + X.min(axis=0)

X_returned

数据标准化 preprocessing.StandardScaler

数据标准化(Standardization，又称 Z-score normalization)：当数据(x)按均值(μ)中心化后，再按标准差(σ)缩放，数据就会服从为均值为 0，方差为 1 的正态分布（即标准正态分布），公式如下：

x ? = x ? μ σ x^* = \frac {x - \mu} {\sigma} x?=σx?μ?

from sklearn.preprocessing import StandardScaler

data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]

scaler = StandardScaler() #实例化

scaler.fit(data) #fit，本质是生成均值和方差

scaler.mean_ #查看均值的属性 mean_

array([-0.125, 9. ])

scaler.var_ #查看方差的属性 var_

array([ 0.546875, 35. ])

x_std = scaler.transform(data) #通过接口导出结果

x_std.mean() #导出的结果是一个数组，用 mean()查看均值

0.0

x_std.std() #用 std()查看方差

#1.0

scaler.fit_transform(data) #使用 fit_transform(data)一步达成结果

"""

array([[-1.18321596, -1.18321596],

[-0.50709255, -0.50709255],

[ 0.16903085, 0.16903085],

[ 1.52127766, 1.52127766]])

"""

scaler.inverse_transform(x_std) #使用 inverse_transform 逆转标准化

"""

array([[-1. , 2. ],

[-0.5, 6. ],

[ 0. , 10. ],

[ 1. , 18. ]])

"""

对于 StandardScaler 和 MinMaxScaler 来说，空值 NaN 会被当做是缺失值，

• 在 fit 的时候忽略

• 在 transform 的时候保持缺失 NaN 的状态显示

尽管去量纲化过程不是具体的算法，但在 fit 接口中，依然只允许导入至少二维数组，一维数组导入会报错。通常来说，我们输入的 X 会是我们的特征矩阵，现实案例中特征矩阵不太可能是一维所以不会存在这个问题。

StandardScaler 和 MinMaxScaler 如何选择？

看情况

• 大多数机器学习算法中，会选择 StandardScaler 进行特征缩放，因为 MinMaxScaler 对异常值非常敏感

• 在 PCA，聚类，逻辑回归，支持向量机，神经网络这些算法中，StandardScaler 往往是最好的选择

MinMaxScaler 在不涉及距离度量、梯度、协方差计算以及数据需要被压缩到特定区间时使用广泛，比如数字图像处理中量化像素强度时，都会使用 MinMaxScaler 将数据压缩于[0,1]区间之中。

建议先试试看 StandardScaler，效果不好换 MinMaxScaler。

除了 StandardScaler 和 MinMaxScaler 之外，sklearn 中也提供了各种其他缩放处理（中心化只需要一个 pandas 广播一下减去某个数就好了，因此 sklearn 不提供任何中心化功能）

• 在希望压缩数据，却不影响数据的稀疏性时（不影响矩阵中取值为 0 的个数时），我们会使用 MaxAbsScaler

• 在异常值多，噪声非常大时，我们可能会选用分位数来无量纲化，此时使用 RobustScaler

• 更多详情请参考以下列表：

缺失值

机器学习和数据挖掘中所使用的数据，永远不可能是完美的。很多特征，对于分析和建模来说意义非凡，但对于实际收集数据的人却不是如此，因此数据挖掘之中，常常会有重要的字段缺失值很多，但又不能舍弃字段的情况。因此，数据预处理中非常重要的一项就是处理缺失值。

我们采用从泰坦尼克号提取出来的数据，这个数据有三个特征，如下：

• Age 数值型

• Sex 字符型

• Embarked 字符型

import pandas as pd

#index_col=0 是因为原数据中第 1 列本就是索引

data = pd.read_csv(r"..\datasets\Narrativedata.csv",index_col=0)

data.head()

缺失值填补 impute.SimpleImputer

class sklearn.impute.SimpleImputer (

missing_values=nan,

strategy='mean',

fill_value=None,

verbose=0,

copy=True

)

这个类是专门用来填补缺失值的。它包括四个重要参数：

• missing_values

告诉 SimpleImputer，数据中的缺失值长什么样，默认空值 np.nan

• strategy

我们填补缺失值的策略，默认均值

输入"mean"使用均值填补（仅对数值型特征可用）

输入"median"用中值填补（仅对数值型特征可用）

输入"most_frequent"用众数填补（对数值型和字符型特征都可用）

输入"constant"表示请参考参数"fill_value"中的值（对数值型和字符型特征都可用）

• fill_value

当参数 startegy 为"constant"的时候可用，可输入字符串或数字表示要填充的值，常用 0

• copy

默认为 True，将创建特征矩阵的副本，反之则会将缺失值填补到原本的特征矩阵中去

import pandas as pd

#index_col=0 是因为原数据中第 1 列本就是索引

data = pd.read_csv(r"..\datasets\Narrativedata.csv",index_col=0)

data.head()

data.info()

由运行结果可知 Age 和 Embarked 有缺失值

"""

<class 'pandas.core.frame.DataFrame'>

Int64Index: 891 entries, 0 to 890

Data columns (total 4 columns):

Column Non-Null Count Dtype

0 Age 714 non-null float64

1 Sex 891 non-null object

2 Embarked 889 non-null object

3 Survived 891 non-null object

dtypes: float64(1), object(3)

memory usage: 34.8+ KB

"""

查看数据

Age = data.loc[:,"Age"].values.reshape(-1,1) #sklearn 当中特征矩阵必须是二维

Age[:20]

"""

array([[22.],

[38.],

[26.],

[35.],

[35.],

[nan],

[54.],

[ 2.],

[27.],

[14.]])

"""

用各个值填补演示：

#填补年龄, 分别用均值、中位数、0 填补

from sklearn.impute import SimpleImputer

imp_mean = SimpleImputer() #实例化,默认均值填补

imp_median = SimpleImputer(strategy="median") #用中位数填补

imp_0 = SimpleImputer(strategy="constant",fill_value=0) #用 0 填补

#fit_transform 一步完成调取结果

imp_mean = imp_mean.fit_transform(Age) #均值填补

imp_median = imp_median.fit_transform(Age) #中值填补

imp_0 = imp_0.fit_transform(Age) # 使用 0 填补

imp_mean[:20] # 查看用均值填补后的前 20 条数据

imp_median[:10] # 查看用中值填补后的前 20 条数据

imp_0[:10] # 查看用 0 填补后的前 20 条数据

在这里我们用中位数填补 Age，用众数填补 Embarked：

#在这里我们使用中位数填补 Age

data.loc[:,"Age"] = imp_median

#data.info()

#使用众数填补 Embarked

Embarked = data.loc[:,"Embarked"].values.reshape(-1,1)

imp_mode = SimpleImputer(strategy = "most_frequent")

data.loc[:,"Embarked"] = imp_mode.fit_transform(Embarked)

data.info() #

由结果可知填补已经完成了

"""

<class 'pandas.core.frame.DataFrame'>

Int64Index: 891 entries, 0 to 890

Data columns (total 4 columns):

Column Non-Null Count Dtype

0 Age 891 non-null float64

1 Sex 891 non-null object

2 Embarked 891 non-null object

3 Survived 891 non-null object

dtypes: float64(1), object(3)

memory usage: 34.8+ KB

"""

data.head(20) #显示填补后的前 20 条数据

用 Pandas 和 Numpy 进行填补其实更加简单

import pandas as pd

data = pd.read_csv(r"..\datasets\Narrativedata.csv",index_col=0)

data.head()

data.loc[:,"Age"] = data.loc[:,"Age"].fillna(data.loc[:,"Age"].median())

#.fillna 在 DataFrame 里面直接进行填补

data.dropna(axis=0,inplace=True)

#.dropna(axis=0)删除所有有缺失值的行，.dropna(axis=1)删除所有有缺失值的列

#参数 inplace，为 True 表示在原数据集上进行修改，为 False 表示生成一个复制对象，不修改原数据，默认 False

处理分类型特征：编码与哑变量

在机器学习中，大多数算法等都只能够处理数值型数据，不能处理文字。在 sklearn 当中，除了专用来处理文字的算法，其他算法在 fit 的时候全部要求输入数组或矩阵，也不能够导入文字型数据（其实手写决策树和普斯贝叶斯可以处理文字，但是 sklearn 中规定必须导入数值型）

然而在现实中，许多标签和特征在数据收集完毕的时候，都不是以数字来表现的：

• 学历的取值可以是 [“小学”，“初中”，“高中”，“大学”]

• 付费方式可能包含 [“支付宝”，“现金”，“微信”]

• …

在这种情况下，为了让数据适应算法和库，我们必须将数据进行编码，也就是要将文字型数据转换为数值型。

preprocessing.LabelEncoder 标签专用，将分类转换为分类数值

from sklearn.preprocessing import LabelEncoder

y = data.iloc[:,-1] #要输入的是标签，不是特征矩阵，所以允许一维

#进行编码

le = LabelEncoder() #实例化

le = le.fit(y) #导入数据

label = le.transform(y) #tr

【一线大厂Java面试题解析+核心总结学习笔记+最新架构讲解视频+实战项目源码讲义】
浏览器打开：qq.cn.hn/FTf 免费领取

ansform 接口调取结果

#label #查看获取的结果 label

#le.classes_ #属性.classes_查看标签中究竟有多少类别

"""

array(['No', 'Unknown', 'Yes'], dtype=object)

"""

#le.fit_transform(y) #也可以直接 fit_transform 一步到位,但是不能查看属性 classes_

#le.inverse_transform(label) #使用 inverse_transform 可以逆转

data.iloc[:,-1] = label #让标签等于我们运行出来的结果

#data.head()

以上代码可以用 1 步完成：

from sklearn.preprocessing import LabelEncoder

data.iloc[:,-1] = LabelEncoder().fit_transform(data.iloc[:,-1])

preprocessing.OrdinalEncoder 特征专用，将分类特征转换为分类数值

from sklearn.preprocessing import OrdinalEncoder

data_ = data.copy()

#data_.head()

#接口 categories_对应 LabelEncoder 的接口 classes_，一模一样的功能

#OrdinalEncoder().fit(data_.iloc[:,1:-1]).categories_

data_.iloc[:,1:-1] = OrdinalEncoder().fit_transform(data_.iloc[:,1:-1])

#data_.head()

preprocessing.OneHotEncoder 独热编码，创建哑变量

我们刚才已经用 OrdinalEncoder 把分类变量 Sex 和 Embarked 都转换成数字对应的类别了。在舱门 Embarked 这一列中，我们使用 [0,1,2] 代表了三个不同的舱门，然而这种转换是正确的吗？

我们来思考三种不同性质的分类数据：