写点什么

《菜菜的机器学习 sklearn 课堂》数据预处理和特征工程

用户头像
极客good
关注
发布于: 刚刚

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
复制代码


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:

用户头像

极客good

关注

还未添加个人签名 2021.03.18 加入

还未添加个人简介

评论

发布
暂无评论
《菜菜的机器学习sklearn课堂》数据预处理和特征工程