机器学习中数据预处理方法的一些建议

前言

数据预处理的重要性？

熟悉数据挖掘和机器学习的小伙伴们都知道，数据处理相关的工作时间占据了整个项目的70%以上。数据的质量，直接决定了模型的预测和泛化能力的好坏。它涉及很多因素，包括：准确性、完整性、一致性、时效性、可信性和解释性。而在真实数据中，我们拿到的数据可能包含了大量的缺失值，大量的噪声，也可能因为人工录入的错误数据导致有异常点存在，非常不利于算法模型的训练。数据清洗的结果是对各种脏数据进行对应方式的处理，得到标准的、干净的、连续的数据，提供给数据统计、数据挖掘等使用。

常见的数据预处理的方法有哪些？

数据预处理的主要步骤分为：数据清理、数据集成、数据规约和数据变换。本文将从这四个方面详细的介绍具体的方法。如果在一个项目中，你在这几个方面的数据处理做的都很不错，对于之后的建模具有极大的帮助，缩短开发周期。

一、数据清理

数据清理( data cleaning ) 的主要思想是通过填补缺失值、光滑噪声数据，平滑或删除离群点，并解决数据的不一致性来“清理“数据。如果用户认为数据是脏乱的，他们不太会相信基于这些数据的挖掘结果，即输出的结果是不可靠的。

1、缺失值的处理

由于现实世界中，获取信息和数据的过程中，会存在各类的原因导致数据丢失和空缺。针对这些缺失值的处理方法，主要是基于变量的分布特性和变量的重要性（信息量和预测能力）采用不同的方法。主要分为以下几种：

• 删除变量： 若变量的缺失值占比较高（大于80%），覆盖率较低，且重要性较低，可以直接将变量删除；
• 定值填充： 工程中常见用 -9999 进行替代；
• 统计量填充： 若缺失值占比较低（小于95%）且重要性较低，则根据数据分布的情况进行填充。对于数据符合均匀分布，用该变量的均值填补缺失，对于数据存在倾斜分布的情况，采用中位数进行填补；
• 插值法填充： 包括随机插值，多重差补法，热平台插补，拉格朗日插值，牛顿插值等；
• 模型填充： 使用回归、贝叶斯、随机森林、决策树等模型对缺失数据进行预测并填充；
• 哑变量填充： 若变量是离散型，且不同值较少，可转换成哑变量，例如性别 SEX 变量，存在 male,female,NA 三个不同的值，可将该列转换成 IS_SEX_MALE, IS_SEX_FEMALE, IS_SEX_NA 。若某个变量存在十几个不同的值，可根据每个值的频数，将频数较小的值归为一类 'other' ，降低维度。此做法可最大化保留变量的信息。

总结来看，常用的做法是：先用 pandas.isnull.sum() 检测出变量的缺失比例，考虑删除或者填充，若需要填充的变量是连续型，一般采用均值法和随机差值进行填充，若变量是离散型，通常采用中位数或哑变量进行填充。

注意： 若对变量进行分箱离散化，一般会将缺失值单独作为一个箱子（离散变量的一个值）。

2、离群点（异常值）处理

异常值是数据分布的常态，处于特定分布区域或范围之外的数据通常被定义为异常或噪声。异常分为两种： “伪异常” ，由于特定的业务运营动作产生，是正常反应业务的状态，而不是数据本身的异常； “真异常” ，不是由于特定的业务运营动作产生，而是数据本身分布异常，即离群点。主要有以下检测离群点的方法：

• 简单统计分析： 根据箱线图、各分位点判断是否存在异常，例如 pandas 的 describe 函数可以快速发现异常值；
• $3\sigma$ 原则： 若数据存在正态分布，偏离均值的 $3\sigma$ 之外，通常定义 $P(|x-\mu |>3\sigma )\le 0.003$ 范围内的点为离群点；
• 基于绝对偏差中位数（MAD）： 这是一种稳健对抗离群数据的距离值方法，采用计算各观测值与平均值的距离总和的方法。放大了离群值的影响；
• 基于距离： 通过定义对象之间的临近性度量，根据距离判断异常对象是否远离其他对象，缺点是计算复杂度较高，不适用于大数据集和存在不同密度区域的数据集；
• 基于密度： 离群点的局部密度显著低于大部分近邻点，适用于非均匀的数据集；
• 基于聚类： 利用聚类算法，丢弃远离其他簇的小簇。

总结来看，在数据处理阶段将离群点作为影响数据质量的异常点考虑，而不是作为通常所说的异常检测目标点，因而最为简单直观的方法，就是结合箱线图和MAD的统计方法判断变量的离群点。

具体的处理手段有：

• 根据异常点的数量和影响，考虑是否将该条记录删除，此做法信息损失较多；
• 若对数据做了 log-scale 对数变换后消除了异常值，则此方法生效，且不损失信息；
• 平均值或中位数替代异常点，简单高效，此方法信息的损失较少；
• 在训练树模型时，树模型对离群点的鲁棒性较高，无信息损失，不影响模型训练效果。

3、噪声处理

噪声是变量的随机误差和方差，是观测点和真实点之间的误差，即 $obs=x\mathcal{E}$ 。通常的处理办法：对数据进行分箱操作，等频或等宽分箱，然后用每个箱的平均数，中位数或者边界值（不同数据分布，处理方法不同）代替箱中所有的数，起到平滑数据的作用。另外一种做法是，建立该变量和预测变量的回归模型，根据回归系数和预测变量，反解出自变量的近似值。

二、数据集成

数据分析任务多半涉及数据集成。数据集成将多个数据源中的数据结合、存放在一个一致的数据存储，如数据仓库中。这些源可能包括多个数据库、数据方或一般文件。

• 实体识别问题： 例如，数据分析者或计算机如何才能确信一个数据库中的 customer_id 和另一个数据库中的 cust_number 指的是同一实体？通常，数据库和数据仓库有元数据——用于描述数据的数据。这种元数据可以帮助避免模式集成中的错误。
• 冗余问题： 一个属性是冗余的，如果它能由另一个表“导出”，如年薪。属性或维度 命名的不一致也可能导致数据集中的冗余。用相关性检测冗余：数值型变量可计算相关系数矩阵，标称型变量可计算卡方检验。
• 数据值的冲突和处理： 不同数据源，在统一合并时，保持规范化，去重。

三、数据规约

数据归约技术可以用来得到数据集的规约表示，它小得多，但仍接近地保持原数据的完整性。这样，在规约后的数据集上挖掘将更有效，并产生相同(或几乎相同)的分析结果。一般有如下策略：

1、维度规约

用于数据分析的数据可能包含数以百计的属性，其中大部分属性与挖掘任务不相关，是冗余的。维度规约通过删除不相关的属性，来减少数据量，并保证信息的损失最小。

属性子集选择： 目标是找出最小属性集，使得数据类的概率分布尽可能地接近使用所有属性的原分布。在压缩的属性集上挖掘还有其它的优点。它减少了出现在发现模式上的属性的数目，使得模式更易于理解。

• 逐步向前选择： 该过程由空属性集开始，选择原属性集中最好的属性，并将它添加到该集合中。在其后的每一次迭代，将原属性集剩下的属性中的最好的属性添加到该集合中；
• 逐步向后删除： 该过程由整个属性集开始。在每一步，删除掉尚在属性集中的最坏属性；
• 向前选择和向后删除的结合： 向前选择和向后删除方法可以结合在一起，每一步选择一个最好的属性，并在剩余属性中删除一个最坏的属性。

python 机器学习库 scikit-learn 中的递归特征消除算法 Recursive feature elimination (RFE) ，就是利用这样的思想进行特征子集筛选的，一般考虑建立 SVM 或回归模型。

单变量重要性： 分析单变量和目标变量的相关性，删除预测能力较低的变量。这种方法不同于属性子集选择，通常从统计学和信息的角度去分析。

• pearson 相关系数和卡方检验： 分析目标变量和单变量的相关性；
• 回归系数： 训练线性回归或逻辑回归，提取每个变量的决定性系数，进行重要性排序；
• 树模型的 Gini 指数： 训练决策树模型，提取每个变量的重要度，即 Gini 指数进行排序；
• Lasso 正则化： 训练回归模型时，加入 L1 正则化参数，将特征向量稀疏化；
• IV 指标： 风控模型中，通常求解每个变量的 IV 值，来定义变量的重要性程度，一般将阈值设定在 0.02 以上。

以上提到的方法，没有讲解具体的理论知识和实现方法，需要大家自己去熟悉掌握。通常的做法是根据业务需求来定，如果基于业务的用户或商品特征，需要较多的解释性，考虑采用统计上的一些方法，如变量的分布曲线，直方图等，再计算相关性指标，最后去考虑一些模型方法。如果建模需要，则通常采用模型方法去筛选特征，如果用一些更为复杂的 GBDT ，DNN 等模型，建议不做特征选择，而做特征交叉。

2、维度变换

维度变换是将现有数据降低到更小的维度，尽量保证数据信息的完整性。接下来将介绍常用的几种有损失的维度变换方法，将大大地提高实践中建模的效率：

• 主成分分析（PCA）和因子分析（FA）： PCA 通过空间映射的方式，将当前维度映射到更低的维度，使得每个变量在新空间的方差最大。FA 则是找到当前特征向量的公因子（维度更小），用公因子的线性组合来描述当前的特征向量；
• 奇异值分解（SVD）： SVD 的降维可解释性较低，且计算量比 PCA 大，一般用在稀疏矩阵上降维，例如图片压缩，推荐系统；
• 聚类： 将某一类具有相似性的特征聚到单个变量，从而大大降低维度；
• 线性组合： 将多个变量做线性回归，根据每个变量的决定性系数，赋予变量权重，可将该类变量根据权重组合成一个变量；
• 流行学习： 流行学习中一些复杂的非线性方法，可参考 skearn：LLE Example 。

四、数据变换

数据变换包括对数据进行规范化，离散化，稀疏化处理，达到适用于挖掘的目的。

1、规范化处理

数据中不同特征的量纲可能不一致，数值间的差别可能很大，不进行处理可能会影响到数据分析的结果，因此，需要对数据按照一定比例进行缩放，使之落在一个特定的区域，便于进行综合分析。特别是基于距离的挖掘方法，聚类，KNN，SVM 一定要做规范化处理。

• 最大 - 最小规范化： 将数据映射到 [0,1] 区间， $x_{new}=\frac{x-x_{min}}{x_{max}-x_{min}}$ ；
• Z-Score 标准化： 处理后的数据均值为 0 ，方差为 1 ，$x_{new}=\frac{x-\overline{x}}{\sigma }$ ；
• Log 变换： 在时间序列数据中，对于数据量级相差较大的变量，通常做 Log 函数的变换，$x_{new}=logx$ 。

2、离散化处理

数据离散化是指将连续的数据进行分段，使其变为一段段离散化的区间。分段的原则有基于等距离、等频率或优化的方法。数据离散化的原因主要有以下几点：

• 模型需要： 比如决策树、朴素贝叶斯等算法，都是基于离散型的数据展开的。如果要使用该类算法，必须将连续型的数据进行离散化。有效的离散化能减小算法的时间和空间开销，提高系统对样本的分类聚类能力和抗噪声能力；
• 离散化的特征相对于连续型特征更易理解；
• 可以有效的克服数据中隐藏的缺陷，使模型结果更加稳定。

等频法： 使得每个箱中的样本数量相等，例如总样本 N=100 ，分成 k=5 个箱，则分箱原则是保证落入每个箱的样本量 n=20 。

等宽法： 使得属性的箱宽度相等，例如年龄变量（0-100之间），可分成 [0,20]，[20,40]，[40,60]，[60,80]，[80,100]五个等宽的箱。

聚类法： 根据聚类出来的簇，每个簇中的数据为一个箱，簇的数量由模型给定。

3、稀疏化处理

针对离散型且标称变量，无法进行有序的 LabelEncoder 时，通常考虑将变量做 0，1 哑变量的稀疏化处理，例如动物类型变量中含有猫，狗，猪，羊四个不同值，将该变量转换成 is_猪 ， is_猫 ， is_狗 ， is_羊 四个哑变量。若是变量的不同值较多，则根据频数，将出现次数较少的值统一归为一类 'rare' 。稀疏化处理既有利于模型快速收敛，又能提升模型的抗噪能力。

五、总结

以上介绍了数据预处理中会用到的大部分方法和技术，完全适用于各种业务场景，并且对于实践建模会有大幅度提升。以上方法的代码实现，均可在 python 的 pandas 和 sklearn 中完成。大家可根据需要去官网学习，网上资料也很多，在这里只提供了方法和经验上的借鉴，希望每个认真学习巩固的同学都能得到提升。
pandas 官方文档： https://pandas.pydata.org/
scikit-learn 官方文档： https://scikit-learn.org/stable/