使用sklearn对数据进行预处理
前言:主要是Preprocessing && impute这个模块的内容
一、数据无量纲化
无量纲化主要包括中心化(Zero-centere)处理和缩放处理(Scale)
优先使用标准化,效果不好再用归一化
(1)数据归一化(Min-Max Scaling)
1、用sklearn中,preprocessing.MinMaxScaler实现
# -*- coding:utf-8 -*-
import numpy as np
import pandas as pd
df = pd.read_csv(r"movies_metadata.csv", engine='python')
revenue = df.loc[:,"revenue"] #用于实现归一化的数据
runtime = df.loc[:,"runtime"] #用于实现归一化的数据
df1 = pd.concat([revenue,runtime],axis=1) #将两个dataframe进行左右(axis=1)连接
### 实现归一化
from sklearn.preprocessing import MinMaxScaler
revenue = np.array(df1)
#revenue = revenue.reshape(-1,1) 如果revenue的数组只有一列,要进行增维,至少要二维才能进行后续操作
scaler = MinMaxScaler()
# scaler = MinMaxScaler(feature_range=[5,10]) #依然实例化,参数feature_range实现将数据归一化到[5,10]的范围中
scaler = scaler.fit(revenue)
result = scaler.transform(revenue) #result为归一化后的数组
# result_ = scaler.fit_transform(revenue) #训练和导出结果一步达成
# scaler.inverse_transform(result) #将归一化后的结果逆转
re = pd.DataFrame(result) #将result数组转化为dataframe方便查看
re.columns=['revenue','runtime'] #修改列名
# re.rename(columns={'0':'revenue','1':'runtime'},inplace=True) #修改列名,不知道这个为什么没用用
print(re)
df.drop(['revenue','runtime'], axis=1, inplace=True) #删除原数据列名为revenue和runtime的列
newDataframe = pd.concat([re,df],axis=1) #将处理后的数据与原数据左右连接
2、使用numpy来实现归一化
import numpy as np
#归一化
X_nor = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
X_nor
#逆转归一化
X_returned = X_nor * (X.max(axis=0) - X.min(axis=0)) + X.min(axis=0)
X_returned
(2)数据标准化(StandardScaler)
import numpy as np
import pandas as pd
df = pd.read_csv(r"movies_metadata.csv", engine='python')
revenue = df.loc[:,"revenue"] #用于实现归一化的数据
runtime = df.loc[:,"runtime"] #用于实现归一化的数据
df1 = pd.concat([revenue,runtime],axis=1) #将两个dataframe进行左右(axis=1)连接
from sklearn.preprocessing import StandardScaler
data = np.array(df1)
scaler = StandardScaler() #实例化
scaler.fit(data) #fit,本质是生成均值和方差
scaler.mean_ #查看均值的属性mean_
scaler.var_ #查看方差的属性var_
x_std = scaler.transform(data) #通过接口导出结果
x_std.mean() #导出的结果是一个数组,用mean()查看均值
x_std.std() #用std()查看方差
scaler.fit_transform(data) #使用fit_transform(data)一步达成结果
scaler.inverse_transform(x_std) #使用inverse_transform逆转标准化
二、缺失值处理
(1)使用sklearn中impute模块填补
# -*- coding:utf-8 -*-
import pandas as pd
df = pd.read_csv(r"movies_metadata.csv", engine='python') #45462行
runtime = df.loc[:,"runtime"].values.reshape(-1,1) #45199行,注意:dataframe.values就变成ndarry数组了
from sklearn.impute import SimpleImputer
imp_mean = SimpleImputer() #实例化,默认均值填补
imp_median = SimpleImputer(strategy="median") #实例化,用中位数填补
imp_0 = SimpleImputer(strategy="constant",fill_value=0) #实例化,用0填补
imp_mean = imp_mean.fit_transform(runtime) #fit_transform一步完成调取结果
imp_median = imp_median.fit_transform(runtime)
imp_0 = imp_0.fit_transform(runtime)
print(len(imp_mean))
print(imp_mean[:20]) #输出前20行数据
#在这里我们使用中位数填补Age
df.loc[:,"runtime"] = imp_median #将填补后的数组赋给原数据
(2)用Pandas和Numpy进行填补
data.loc[:,"runtime"] = data.loc[:,"runtime"].fillna(data.loc[:,"runtime"].median())
#.fillna 在DataFrame里用中位数
data.loc[:,"runtime"] = data.loc[:,"runtime"].fillna(0) #用0填补
data.loc[:,"runtime"] = data.loc[:,"runtime"].fillna(data.loc[:,"runtime"].mean()) #用均值填补
(3)缺失值很少时,直接删除该行数据
data.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
#参数inplace,为True表示在原数据集上进行修改,为False表示生成一个复制对象,不修改原数据,默认False
三、处理分类型特征
(1)编码: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
# -*- coding:utf-8 -*-
import pandas as pd
from sklearn.preprocessing import LabelEncoder #引入处理分类标签的类
df = pd.read_csv(r"movies_metadata.csv", engine='python')
video = df.loc[:,"video"] #要输入的是标签,不是特征矩阵,所以允许一维
le = LabelEncoder() #实例化
le = le.fit(video) #导入数据
label = le.transform(video) #transform接口调取结果
print(le.classes_ ) #属性.classes_查看标签中究竟有多少类别
print(label) #查看获取的结果label
# le.fit_transform(y) #也可以直接fit_transform一步到位
# le.inverse_transform(label) #使用inverse_transform可以逆转
df.loc[:,"video"] = label #让标签等于我们运行出来的结果
#=========================以上代码可以简写为=====================
from sklearn.preprocessing import LabelEncoder
df.loc[:,"video"] = LabelEncoder().fit_transform(df.loc[:,"video"])
2、preprocessing.OrdinalEncoder:特征专用,能够将分类特征转换为分类数值
from sklearn.preprocessing import OrdinalEncoder
#接口categories_对应LabelEncoder的接口classes_,一模一样的功能
data_ = data.copy()
OrdinalEncoder().fit(data_.iloc[:,1:-1]).categories_ #查看特征中究竟有多少类别
data_.iloc[:,1:-1] = OrdinalEncoder().fit_transform(data_.iloc[:,1:-1])
3、preprocessing.OneHotEncoder:独热编码,创建哑变量
在独热编码前要没有缺失值,不然会报错
# -*- coding:utf-8 -*-
import pandas as pd
from sklearn.preprocessing import OneHotEncoder #引入处理分类标签的类
df = pd.read_csv(r"movies_metadata.csv", engine='python')
df.drop(['belongs_to_collection','homepage',"tagline"], axis=1, inplace=True) #删除某些列
df.dropna(axis=0,inplace = True) #删除缺失值行
original_language = df.loc[:,"original_language"].values.reshape(-1,1) #为所选特征增维
ohe = OneHotEncoder(categories='auto').fit(original_language) #实例化独热编码,并适用模型
result = ohe.transform(original_language).toarray() #返回独热编码后的结果并转换为数组
print(ohe.get_feature_names()) #查看类别的种类
res = pd.DataFrame(result) #将独热编码后的数组转换为dataframe
res.columns = ohe.get_feature_names().tolist() #设置转换后的列名为类别的种类
print(res.head())
# result= OneHotEncoder(categories='auto').fit_transform(original_language).toarray() #一步到位
# pd.DataFrame(ohe.inverse_transform(result)) #将数据还原
四、处理连续型特征
(1)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,小于或等于阈值的值映射为0。
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
transformer = Binarizer(threshold=30).fit_transform(X)
(2)分类
总共包含三个重要参数
from sklearn.preprocessing import KBinsDiscretizer
X = data.iloc[:,0].values.reshape(-1,1)
est = KBinsDiscretizer(n_bins=3 #每个特征中分箱的个数,默认5,
, encode='ordinal' #编码方式,默认“onehot”:做哑变量,之后返回一个稀疏矩阵,每一列是一个特征中的一个类别,含有该类别的样本表示为1,不含有的表示为0;
#“ordinal”:每个特征的每个箱都被编码为一个整数,返回每一列是一个特征,每个特征下含有不同整数编码的箱的矩阵;
#“onehot-dense”:做哑变量,之后返回一个密集数组
, strategy='uniform' #用来定义箱宽的方式,默认“quantile”。“uniform”:表示等宽分箱,即每个特征中的每个箱的最大值之间的差为(特征.max() - 特征.min())/(n_bins)
#"quantile":表示等位分箱,即每个特征中的每个箱内的样本数量都相同
#"kmeans":表示按聚类分箱,每个箱中的值到最近的一维k均值聚类的簇心得距离都相同
)
est.fit_transform(X)
set(est.fit_transform(X).ravel()) #查看转换后分的箱:变成了一列中的三箱
est = KBinsDiscretizer(n_bins=3, encode='onehot', strategy='uniform')
est.fit_transform(X).toarray() #查看转换后分的箱:变成了哑变量
五、当样本分布不均,或者样本数差距很大时
此处采用上采样方法来平衡样本来解决此问题
#如果报错,就在prompt安装:pip install imblearn
import imblearn
#imblearn是专门用来处理不平衡数据集的库,在处理样本不均衡问题中性能高过sklearn很多
#imblearn里面也是一个个的类,也需要进行实例化,fit拟合,和sklearn用法相似
from imblearn.over_sampling import SMOTE
sm = SMOTE(random_state=42) #实例化
X,y = sm.fit_sample(X,y) #上采样后的样本
n_sample_ = X.shape[0] #查看样本数
pd.Series(y).value_counts() #查看各类标签总数
n_1_sample = pd.Series(y).value_counts()[1] #查看标签为1的样本数
n_0_sample = pd.Series(y).value_counts()[0] #查看标签为2的样本数