数据的特征预处理
特征处理:通过特定的统计方法(数学方法)将数据转换成算法要求的数据
特征处理的方法
数值型数据:归一化、标准化、缺失值
类别型数据:one-hot编码
时间类型:时间的切分
sklearn特征处理API:sklearn.preprocessing
归一化特点:通过对原始数据进行变换,把数据映射到(默认[0, 1])之间
归一化API:sklearn.preprocessing.MinMaxScaler
from sklearn.preprocessing import MinMaxScaler
def min_max():
"""
对数据进行归一化
:return: None
"""
# feature_range=(2, 3) 指定范围,默认feature_range=(0, 1)
mm = MinMaxScaler(feature_range=(2, 3))
data = mm.fit_transform(
[
[90, 2, 10, 40], [60, 4, 15, 45], [75, 3, 13, 46]
]
)
print(data)
将数据归一化到(2, 3)之间
归一化总结:注意在特定场景下最大值和最小值是变化的,另外,最大值和最小值非常容易受异常点影响,所以这种方法鲁棒性较差,只适合传统精确小数据场景。
标准化特点:通过对原始数据进行变换,把数据变换到均值为0,方差为1范围内
标准化API:sklearn.preprocessing.StandardScaler
from sklearn.preprocessing import StandardScaler
def standard():
"""
对数据进行标准化
:return: None
"""
sta = StandardScaler()
data = sta.fit_transform(
[
[1., -1., 3.], [2., 4., 2.], [4., 6., -1.]
]
)
print(data)
标准化总结:在已有样本足够多的情况下比较稳定,适合现代嘈杂大数据场景
缺失值处理方法:
删除:如果缺失值达到一定比例,则删除整行或整列
插补:可以通过缺失值每行或者每列的平均值、中位数来填充
缺失值API:sklearn.preprocessing.Imputer
但是现在新版本的API应该是:from sklearn.impute import SimpleImputer,用法差不多
from sklearn.impute import SimpleImputer
def imputer():
"""
处理缺失值
:return:
"""
# NaN, nan
# 列:0 , 行:1
# from sklearn.preprocessing import Imputer
# im = Imputer(missing_values='NaN', strategy='mean', axis=0)
# data = im.fit_transform([[1, 2], [np.nan, 3], [7, 6]])
# 参数默认strategy='mean'填充平均值, strategy='most_frequent'填充最小值
im = SimpleImputer(strategy='most_frequent')
data = im.fit_transform(
[
[1, np.nan], [np.nan, 3], [7, 6]
]
)
print(data)