特征工程中的数据标准化

数据标准化

       数据标准化主要用来消除不同特征之间的量纲的影响，量纲指的是特征的计量单位，如果特征的单位不一致，那么不同的特征不能放在一起去比较。例如在日常生活中，身高的单位时cm，体重的单位时kg，二者不能直接比较。所以可以通过数据标准化的方法，来消除不同特征之间量纲的影响。

示例数据：

Min-Max 标准化

       Min-Max标准化是对原始数据进行线性转换，它需要求出特征的最小值和最大值，然后通过以下公式求出标准化值：
$$标准化值=\frac{原数据-最小值}{最大值-最小值}$$
       由这个公式可以知道，Min-Max标准化会把特征值映射到区间为 [0,1] 的标准化值。其中，最小的标准化值为0，最大的标准化值为1。

在sklearn模块中，使用MinMaxScaler 函数进行Min-Max标准化：

import pandas as pd 
from sklearn.preprocessing import MinMaxScaler
data = pd.read_csv('../form/数据标准化.csv',encoding = 'gbk')
#特征变量
x = data[['注册时长','营收收入','成本']]
#目标变量
y = data['是否续约']
#生成标准化对象
scaler = MinMaxScaler()
#训练标准化对象
scaler.fit(x)
#将数据转换为标准化数据
scalerX = scaler.transform(x)

执行代码，得到标准化后的数据：

Min-Max标准化能够使基于距离的计算模型的效果有一定量的提升。

Z-Score标准化

       Z-Score标准化基于特征的均值和标准差进行数据的标准化，计算公式如下：
$$标准化数据=\frac{原数据-均值}{标准差}$$
       经过Z-Score标准化的数据，均值为0，标准差为1。因此标准化后的数据值围绕着0上下波动，大于0说明高于均值，小于0说明低于均值。

根据标准化均值为0，标准差为1的性质，如果一个特征符合正态分布，那么：
       68.26%的数据，会分布在 [-1,+1] 区间
       95.44%的数据，会分布在 [-2,+2] 区间
       99.74%的数据，会分布在 [-3,+3] 区间

在sklearn模块中，使用scale函数进行Z-Score标准化：

from sklearn.preprocessing import scale
#将数据转换为标准化数据
scaleX = scale(x)

执行代码，得到标准化的数据：

进行Z-Score标准化能够使基于距离的计算模型的效果有一定量的提升。

Normalizer归一化

       Normalizer归一化是将每个样本缩放到单位范数（每个样本的范数为1），计算公式如下：
$$\bar{x}=\frac{x}{{\sum }_{i=1}^n{x}_i^2}$$
在sklearn模块中，使用Normalizer函数进行Normalizer归一化：

from sklearn.preprocessing import Normalizer
#生成标准化对象
normalizer = Normalizer()
#训练标准化对象
normalizer.fit(x)
#把数据转化成标准化数据
x = normalizer.transform(x)

执行代码，得到归一化的数据：

并非所有的特征工程的手段都可以对模型产生正向的提升。