[机器学习与scikit-learn-42]：特征工程-特征提取(编码)-1-从字典中提取特征

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：

---

目录

前言：

第1章 特征提取概述

1.1 什么是特征提取

1.2 特征提取与特征选项的区别与联系

1.3 特征提取的方法

第2章 字典中提取特征

2.1 概述

2.2 代码案例分析

---

前言：

机器学习算法的输入是样本的多个维度的特征，特征来自于原始样本数据，但有不是原始的样本数据。样本的特征与原始数据之间并非完全等价的，在机器学习算法学习中，大部分生成的原始数据就是特征，然后在解决现实问题时，原始数据往往无法直接作为特征值，如文本数据，语音数据他们都无法直接作为模型的特征数据。

第1章 特征提取概述

1.1 什么是特征提取

特征提取和特征选择都是从原始样本数据中找出最有效（同类样本的不变性、不同样本的鉴别性、对噪声的鲁棒性）的特征。

特征提取提取并不是必须的，有时候，原始的样本数据就可以表达为特征，这时候就不一定需要在记性特征提取了。

有时候，原始的样本数据无法用于机器学习的模型输入，这就需要从原始的数据中提取特征，然后转换成适合机器学习模型训练的特征数据。

1.2 特征提取与特征选项的区别与联系

特征提取：将原始特殊数据转换为一组具有明显物理意义（Gabor、几何特征[角点、不变量]、纹理[LBP HOG]）或者统计意义或核的特征数据。

特征选择：从特征集合中挑选一组最具统计意义和典型性的特征，而去掉非典型性、不重要的特征，达到特征的降维。用马克思哲学的观点来看：就是抓住主要矛盾、以及矛盾的主要方面，这就是特征选择 。

1.3 特征提取的方法

（1）从字典中提取特征:DictVectorizer

（2）从文本中提取特征：词频向量(CountVectorizer) TF-IDF向量(TfidfVectorizer,TfidfTransformer) 特征哈希向量(HashingVectorizer)

（3）从图像中提取特征: 提取像素矩阵提取边缘和兴趣点。

第2章 字典中提取特征

2.1 概述

用python中的字典存储原始数据（可能是字符串数据）是一种常用的做法。

其优点是直观、容易理解。

但是sklearn的模型的输入特征必须是numpy或scipy数组，存放的必须是数字。

这时候就需要把字典中的字符型特征数据转换成numpy或scipy数组的数字。

（1）可以用DictVectorizer从字典中加载特征时候转换成numpy数组，

（2）并对非数字的分类特征采用独热编码(one-hot)，得到一个经过oneHot编码后的特征数据（这是DictVectorizer最重要的功能）

2.2 代码案例分析

from sklearn.feature_extraction import DictVectorizer

# 定义字典 =》 key：value
# 如下有三个样本，每个样本2个特征值：城市、温度
measurements = [
{'city': 'Dubai', 'temperature': 33.},
{'city': 'London', 'temperature': 12.},
{'city': 'San Francisco', 'temperature': 18.},
]
print(measurements)

# 创建一个字典转换特征的对象
vec = DictVectorizer()


# 把measurements字典中的value值（字符串）转换成oneHot编码值
X = vec.fit_transform(measurements).toarray()

print("特征值名称：", vec.get_feature_names())

print("对字符串特征值进行OneHot编码后的特征值：\n", X)

[{'city': 'Dubai', 'temperature': 33.0}, {'city': 'London', 'temperature': 12.0}, {'city': 'San Francisco', 'temperature': 18.0}]
特征值名称： ['city=Dubai', 'city=London', 'city=San Francisco', 'temperature']
对字符串特征值进行OneHot编码后的特征值：
 [[ 1.  0.  0. 33.]
 [ 0.  1.  0. 12.]
 [ 0.  0.  1. 18.]]

备注：

（1）城市是分类标签

有三种字符串行分类：Dubai、London、San Francisco，这三种字符型分类，属于样本标签数据，然后字符串分类类型是无法用于模型训练的。经过DictVectorizer变换后，就转换成了OneHot编码值：100、010、001三个标签值。

（2）温度

温度已经是数值数据了，不需要编码转换。

（3）字典转换成数组

字典：key：value

特征数值：需要把key提取出来，作为一列样本数据或标签的名称。key本身不是数据和标签，因此可以保留其名称：如下所示：

temperature    city

33.0                100

12                   010

18                   001

转换后，就可以变成模型所需要的样本数据X, Y了。

---

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：