【机器学习】scikit |
您所在的位置：网站首页 › 归一化差分码 › 【机器学习】scikit |
【机器学习】scikit
|
一.概述
1. 数据预处理
数据预处理是从数据中检测，修改或删除不准确或不适用于模型的记录的过程 可能面对的问题有：数据类型不同，比如有的是文字，有的是数字，有的含时间序列，有的连续，有的间断。 也可能，数据的质量不行，有噪声，有异常，有缺失，数据出错，量纲不一，有重复，数据是偏态，数据量太大或太小 。 数据预处理的目的：让数据适应模型，匹配模型的需求 。 2.sklearn中的数据预处理sklearn中包含众多数据预处理相关的模块，包括： 模块preprocessing：几乎包含数据预处理的所有内容 模块Impute：填补缺失值专用 二 . 数据预处理 1.归一化在机器学习算法实践中，我们往往有着将不同规格的数据转换到同一规格，或不同分布的数据转换到某个特定分布 的需求，这种需求统称为将数据“无量纲化”。 譬如梯度和矩阵为核心的算法中，譬如逻辑回归，支持向量机，神经 网络，无量纲化可以加快求解速度；而在距离类模型，譬如K近邻，K-Means聚类中，无量纲化可以帮我们提升模型精度，避免某一个取值范围特别大的特征对距离计算造成影响。 （1）preprocessing.MinMaxScaler当数据(x)按照最小值中心化后，再按极差（最大值 - 最小值）缩放，数据移动了最小值个单位，并且会被收敛到 [0,1]之间，而这个过程，就叫做数据归一化(Normalization，又称Min-Max Scaling)。 归一化之后的数据服从正态分 布，公式如下： \[x^{*} = \frac{x-min(x)}{max(x)-min(x)} \]在sklearn当中，我们使用preprocessing.MinMaxScaler来实现这个功能。 MinMaxScaler有一个重要参数， feature_range，控制我们希望把数据压缩到的范围，默认是[0,1]. from sklearn.preprocessing import MinMaxScaler data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]] #实现归一化 scaler = MinMaxScaler(feature_range=[5,10]) #实例化，feature_range默认是[0,1] # scaler = scaler.fit(data) #fit，在这里本质是生成min(x)和max(x) # result = scaler.transform(data) #通过接口导出结果 result result_ = scaler.fit_transform(data) #训练和导出结果一步达成,可以替代上两行数据 result_ array([[ 5. , 5. ], [ 6.25, 6.25], [ 7.5 , 7.5 ], [10. , 10. ]]) (2) preprocessing.StandardScale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），而这个过程，就叫做数据标准化(Standardization，又称Z-score normalization)，公式如下： \[x^{*} = \frac{x-μ}{σ} \]from sklearn.preprocessing import StandardScaler data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]] scaler = StandardScaler() #实例化 # scaler = scaler.fit(data) #fit，本质是生成均值和方差 # result = scaler.transform(data) #通过接口导出结果 result_ = scaler.fit_transform(data) #使用fit_transform(data)一步达成结果 result_ array([[-1.18321596, -1.18321596], [-0.50709255, -0.50709255], [ 0.16903085, 0.16903085], [ 1.52127766, 1.52127766]]) (3) StandardScaler和MinMaxScaler选哪个？看情况。大多数机器学习算法中，会选择StandardScaler来进行特征缩放，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。 2.缺失值数据预处理中非常重要的一项就是处理缺失值。 对于连续值，常常使用均值或者中位数去填充缺失值； 对于离散值，常常使用众数填充，或者把缺失值当作一个单独的类别。 对于缺失率超过一定阈值的特征，可以考虑直接舍弃。 import pandas as pd data = pd.read_csv(r"./../Narrativedata.csv",index_col=0) data.info() Int64Index: 891 entries, 0 to 890 Data columns (total 4 columns): Age 714 non-null float64 Sex 891 non-null object Embarked 889 non-null object Survived 891 non-null object dtypes: float64(1), object(3) memory usage: 34.8+ KB以Titanic数据为例，可以看到其中Age和Embarked两列有缺失值，且分别为连续值和离散值。 (1) impute.SimpleImputer
from sklearn.impute import SimpleImputer
# 对连续值Age进行填充
Age = data.loc[:,"Age"].values.reshape(-1,1) #sklearn当中特征矩阵必须是二维
# 实例化
age_median = SimpleImputer(strategy="median") #用中位数填补 (默认均值填补)
age_0 = SimpleImputer(strategy="constant",fill_value=0) #使用具体值填补，用fill_value指定
# 转化
age_median = age_median.fit_transform(Age) #fit_transform一步完成调取结果
age_0 = age_0.fit_transform(Age)
#把填补后的列赋值回原来的矩阵里
data.loc[:,"Age"] = age_median
data.info()
Int64Index: 891 entries, 0 to 890
Data columns (total 4 columns):
Age 891 non-null float64
Sex 891 non-null object
Embarked 889 non-null object
Survived 891 non-null object
dtypes: float64(1), object(3)
memory usage: 34.8+ KB
# 对离散值Embarked进行填充
Embarked = data.loc[:,"Embarked"].values.reshape(-1,1)
Embarked_most = SimpleImputer(strategy = "most_frequent") #使用众数填补
data.loc[:,"Embarked"] = Embarked_most.fit_transform(Embarked)
data.info()
Int64Index: 891 entries, 0 to 890
Data columns (total 4 columns):
Age 891 non-null float64
Sex 891 non-null object
Embarked 891 non-null object
Survived 891 non-null object
dtypes: float64(1), object(3)
memory usage: 34.8+ KB
(2) 用Pandas和Numpy进行填补
pd.fillna() 使用特定的值填充
pd.dropna(axis=0)删除所有有缺失值的行/列
import pandas as pd
data1 = pd.read_csv(r"./../Narrativedata.csv",index_col=0)
data1.loc[:,"Age"] = data1.loc[:,"Age"].fillna(data1.loc[:,"Age"].median()) #.fillna 在data1Frame里面直接进行填补
data1.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
data1.info()
Int64Index: 889 entries, 0 to 890
Data columns (total 4 columns):
Age 889 non-null float64
Sex 889 non-null object
Embarked 889 non-null object
Survived 889 non-null object
dtypes: float64(1), object(3)
memory usage: 34.7+ KB
3.处理离散特征：编码和哑变量
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。 为了让数据适 应算法和库，我们必须将数据进行编码，即是说，将文字型数据转换为数值型。 (1) preprocessing.LabelEncoder：标签专用，能够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 print(y[:10]) le = LabelEncoder() #实例化 label = le.fit_transform(y) # 匹配加转化一步到位 # le = le.fit(y) # label = le.transform(y) print(label[:10]) print(le.classes_) # 查看有多少类 data.iloc[:,-1] =label 0 No 1 Yes 2 Yes 3 Yes 4 No 5 No 6 No 7 No 8 Yes 9 Yes Name: Survived, dtype: object [0 2 2 2 0 0 0 0 2 2] ['No' 'Unknown' 'Yes'] （2）preprocessing.OrdinalEncoder：特征专用，能够将分类特征转换为分类数 （一般用于有序变量） data_ =data.copy() # 观察特征的原样式 data_.iloc[:,1:-1][:10] Sex Embarked 0 male S 1 female C 2 female S 3 female S 4 male S 5 male Q 6 male S 7 male S 8 female S 9 female C from sklearn.preprocessing import OrdinalEncoder # 类似的，把实例化，匹配，转化和赋值写在一条语句上 data_.iloc[:,1:-1] = OrdinalEncoder().fit_transform(data_.iloc[:,1:-1]) #接口categories_对应LabelEncoder的接口classes_，一模一样的功能 print(OrdinalEncoder().fit(data_.iloc[:,1:-1]).categories_) #查看数据, data_.head() [array([0., 1.]), array([0., 1., 2.])] Age Sex Embarked Survived 0 22.0 1.0 2.0 0 1 38.0 0.0 0.0 2 2 26.0 0.0 2.0 2 3 35.0 0.0 2.0 2 4 35.0 1.0 2.0 0 data_.info() Int64Index: 891 entries, 0 to 890 Data columns (total 4 columns): Age 891 non-null float64 Sex 891 non-null float64 Embarked 891 non-null float64 Survived 891 non-null int32 dtypes: float64(3), int32(1) memory usage: 31.3 KB由以上的数据情况可以看出，Age和Embarked的缺失值已被填充，特征Sex和Embarked等分类特征已转化为分类数值，标签Survived也已转化为分类数值。 （3) preprocessing.OneHotEncoder：独热编码，创建哑变量由上面的处理可以看到OrdinalEncoder会把类别变量变成数值，比如转化为[0,1,2]，这三个数字在算法看来，是连续且可以计算的，可能有大小并且有着可以相加相乘的联系。但是有的类别变量各类别是独立的，如果转化成数值会给算法传达了一些不准确的信息，而这会影响我们的建模。 因此，类别OrdinalEncoder可以用来处理有序变量，但对于名义变量，我们只有使用独热编码，以哑变量的方式来处理，才能够尽量 向算法传达最准确的信息。 # 同样的，观察下原数据样式 data.iloc[:,1:-1][:10] Sex Embarked 0 male S 1 female C 2 female S 3 female S 4 male S 5 male Q 6 male S 7 male S 8 female S 9 female C from sklearn.preprocessing import OneHotEncoder X = data.iloc[:,1:-1] #可以直接一步到位 result = OneHotEncoder(categories='auto').fit_transform(X).toarray() # # 也可以分开成两步计算 # enc = OneHotEncoder(categories='auto').fit(X) # result = enc.transform(X).toarray() # 把独热编码拼接到原数据上 newdata = pd.concat([data,pd.DataFrame(result)],axis=1) newdata.drop(["Sex","Embarked"],axis=1,inplace=True) newdata.columns = ["Age","Survived","Female","Male","Embarked_C","Embarked_Q","Embarked_S"] newdata.head() Age Survived Female Male Embarked_C Embarked_Q Embarked_S 0 22.0 0 0.0 1.0 0.0 0.0 1.0 1 38.0 2 1.0 0.0 1.0 0.0 0.0 2 26.0 2 1.0 0.0 0.0 0.0 1.0 3 35.0 2 1.0 0.0 0.0 0.0 1.0 4 35.0 0 0.0 1.0 0.0 0.0 1.0 (4) 使用pandas的.get_dummies函数 实现独热编码 dummies_Sex = pd.get_dummies(data.Sex,prefix='Sex') #ptefix 是前缀，因子化之后的字段名为 前缀_类名 dummies_Embarked = pd.get_dummies(data.Embarked,prefix='Embarked') newdata = pd.concat([data, dummies_Sex, dummies_Embarked], axis=1) #将哑编码的内容拼接到data后 newdata.drop([ 'Sex', 'Embarked'], axis=1, inplace=True) # 把编码前的字段删除 newdata.head() Age Survived Sex_female Sex_male Embarked_C Embarked_Q Embarked_S 0 22.0 0 0 1 0 0 1 1 38.0 2 1 0 1 0 0 2 26.0 2 1 0 0 0 1 3 35.0 2 1 0 0 0 1 4 35.0 0 0 1 0 0 1 4.处理连续特征：二值化和分段 （1) sklearn.preprocessing.Binarize 用于处理连续变量的二值化根据阈值将数据二值化（将特征值设置为0或1），用于处理连续型变量。大于阈值的值映射为1，而小于或等于阈值的值映射为0。默认阈值为0。 # 将年龄二值化 data_2 = data.copy() from sklearn.preprocessing import Binarizer X = data_2.iloc[:,0].values.reshape(-1,1) #类为特征专用，所以不能使用一维数组 Age = Binarizer(threshold=30).fit_transform(X) # 以30为阈值，>30为1, |
【本文地址】
今日新闻 |
推荐新闻 |