《菜菜的机器学习 sklearn 课堂》数据预处理和特征工程
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:
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
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
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:
评论