preprocessing 是sklearn库的一个数据预处理模块,它提供了一些实用的数据预处理函数和预处理类。下边就对这些功能进行一些简单介绍,便于大家理解。
安装: pip install scikit-learn
模块导入并简记为sp:
import sklearn.preprocessing as sp
一、 标准化数据
这里指的标准化主要包括两部分,均值移除+方差规模化
其目的是:使每个特征的基准位置和分散范围加以统一,在数量级上尽可能接近,对模型的预测结果做出均等的贡献。这对后续模型的建立至关重要。
1. 标准化函数
1. 标准化:
sp.scale(原始样本矩阵X, with_mean=True, with_std=True, copy=True)
均值移除样本矩阵(转为标准正态分布-均值为0,标准差为1,默认按列axis=0)
2. 范围缩放:
sp.minmax_scale(X,feature_range=(0, 1), axis=0, copy=True)
将数据在缩放在固定区间,默认缩放到区间 [0, 1]
3. 针对稀疏矩阵:
sp.maxabs_scale(X,axis=0, copy=True)
数据的缩放比例为绝对值最大值,并保留正负号,即在区间 [-1.0, 1.0] 内。
*唯一可用于稀疏数据 scipy.sparse的标准化*
4. 针对异常值:
sp.robust_scale(X,axis=0, with_centering=True, with_scaling=True,copy=True)
通过 Interquartile Range (IQR) 标准化数据,即四分之一和四分之三分位点之间
2. 以上方法对应的类
灵活的使用这些类,可以简化数据处理过程,比如我们在训练集上对数据做了转换,只需要基于训练集构建出这个转换器,再在测试数据上使用它即可完成转换,不必转换两次。
通常的使用方法:
1)基于训练数据构建转换器scaler = xxxScaler().fit()
2)直接将训练数据的转换方法应用于测试集
scaler.transform(test_x)
1. sp.StandardScaler(copy=True, with_mean=True, with_std=True):
标准正态分布化的类
属性:
scale_:ndarray,缩放比例
mean_:ndarray,均值
var_:ndarray,方差
n_samples_seen_:int,已处理的样本个数,调用partial_fit()时会累加,调用fit()会重设
2 .sp.MinMaxScaler(feature_range=(0, 1),copy=True):
将数据在缩放在固定区间的类,默认缩放到区间 [0, 1],对于方差非常小的属性可以增强其稳定性,维持稀疏矩阵中为0的条目
属性:
min_:ndarray,缩放后的最小值偏移量
scale_:ndarray,缩放比例
data_min_:ndarray,数据最小值
data_max_:ndarray,数据最大值
data_range_:ndarray,数据最大最小范围的长度
3. classpreprocessing.MaxAbsScaler(copy=True):
数据的缩放比例为绝对值最大值,并保留正负号,即在区间 [-1.0, 1.0] 内。
**专门用于稀疏数据scipy.sparse**
属性:
scale_:ndarray,缩放比例
max_abs_:ndarray,绝对值最大值
n_samples_seen_:int,已处理的样本个数
4. classpreprocessing.RobustScaler(with_centering=True,with_scaling=True, copy=True):
通过 Interquartile Range (IQR) 标准化数据,即四分之一和四分之三分位点之间
属性:
center_:ndarray,中心点
scale_:ndarray,缩放
3. 类方法
fit(X[,y]): 根据数据 X 的值,设置标准化缩放的比例
transform(X[,y, copy]):用之前设置的比例标准化 X
fit_transform(X[, y]): 根据 X设置标准化缩放比例并标准化
partial_fit(X[,y]): 累加性的计算缩放比例
inverse_transform(X[,copy]):将标准化后的数据转换成原数据比例
get_params([deep]): 获取参数
set_params(**params): 设置参数
二、归一化(正则化)
正则化是将样本在向量空间模型上的一个转换,有L1正则化和L2正则化。
L1正则化: 向量中各元素绝对值之和
L2正则化: 向量中各元素的平方之和
1. 正则化函数
sp.normalize(原始样本矩阵X,norm="l1") -> 归一化样本矩阵
2. 对应的类
sp.Normalizer(norm='l2', copy=True):
数据归一化的类。可用于稀疏数据
3. 类方法:
fit(X[,y])
transform(X[, y,copy])
fit_transform(X[,y])
get_params([deep])
set_params(**params)
*normalize和Normalizer都既可以用在密集数组也可以用在稀疏矩阵中*
三、二值化
有时根据业务需求,需要设定一个阈值,使得样本矩阵中大于阈值的元素置换为1;小于或等于阈值置换为0。
这样,整个样本矩阵就被处理为只由0和1组成的样本空间。但是其缺点也一目了然,即: 会损失部分数据细节。
1. 二值化函数
1. sp.binarize(X,threshold=0.0, copy=True):
将数据转化为 0 和 1,其中小于等于 threshold 为 0,可用于稀疏数据
2. 对应的类
sp.Binarizer(threshold=0.0,copy=True):
二值化处理的类,可用于稀疏数据
3. 类方法
fit(X[,y])
transform(X[, y,copy])
fit_transform(X[,y])
get_params([deep])
set_params(**params)
其中fit 函数不会做任何操作
四、独热编码 one hot encoder
将有n种特征值的一个特征变成n个二元的特征,所有二元特征互斥,当某个二元特征为 1 时,表示取对应的这个类别
ohe = sp.OneHotEncoder(n_values='auto',
categorical_features='all',
dtype='float',
sparse=True,
handle_unknown='error')
参数:
n_values:每个特征的类别个数,可以为‘auto’,int或者 int数组
categorical_features:被当作类别来处理的特征,可以为“all”或者下标数组指定或者mask数组指定
sparse: False代表不压缩;默认True代表压缩,只展示1的位置(位置元组:值,eg:(0,5) 1)
方法:
fit(X[, y])
transform(X[, y,copy])
fit_transform(X[,y])
get_params([deep])
set_params(**params)
可以发现这些数据处理器的方法中,都有fit,transform和fit_transform方法,这里做一下简单说明以便区分:
1)fit():表示用原始数据去定义转换器;
2)transform():表示将构建号的转换器应用到新的数据里,即使用相同的转换规则去处理数据 ;
3)fit_transform():则表示定义并使用的过程,及时前面已经定义(fit)过转换器,此时用了fit_ransform()就表示重新定义转换器了,另外这里需要特别注意一下。如果新的数据样本有了不同于原始数据的新值,则不能使用原转换器了,此时就需要重新fit_transform一下。
五、标签编码
将类别特征转换为多维二元特征,并将每个特征扩展成用一维表示:0,1,2,3,...,每个值代表一个标签。这里大家可以自动脑补,将标签编码和独热编码进行一下简单对比,以理解两者的异同。往往在实际应用过程中,输入样本特征的处理通常采用独热编码,而像分类问题的输出一般采用标签编码。
lbe = sp.LabelEncoder(neg_label=0, pos_label=1,sparse_output=False)
属性:
classes: ndarry,所有类别的值
y_type_: str
multilabel_: bool
sparse_input_: bool
indicator_matrix_:str
方法:
fit(X[, y])
transform(X[, y,copy])
fit_transform(X[,y])
inverse_transform(y)
get_params([deep])
set_params(**params)
六、填补缺失数据
实际数据中往往存在Nan或null值的情况,一味的丢弃可能造成数据样本的浪费,一定程度上也会影响到模型的构建,所以填补缺失值是一个很好的处理手段,实际应用中,可以使用均值,中位数,众数等对缺失值进行填补。
imp = Imputer(missing_values='NaN', strategy='mean', axis=0,verbose=0,copy=True)
strategy:填补策略
"mean" - 均值
"median" - 中位数
"most_frequent"-众数
对于稀疏矩阵:
imp = Imputer(missing_values=0, strategy='mean', verbose=0)
代表将0作为缺失值处理,为其补上均值
七、创建多项式特征
可以将数据多项式结合生成多维特征,比如 [a,b] 的二次多项式特征为5个 [1, a, b, a^2, ab, b^2]
比如:
[[0 1]
[2 3]
[4 5]]
--> [[ 1. 0. 1. 0. 0. 1.]
[ 1. 2. 3. 4. 6. 9.]
[ 1. 4. 5. 16. 20. 25.]]
sp.PolynomialFeatures(degree=2,interaction_only=False, include_bias=True):
参数:
degree:int,多项式次数
interaction_only:boolean,是否只产生交叉相乘的特征
include_bias:boolean,是否包含偏移列,即全为1 的列
方法:
fit(X[, y])
transform(X[, y,copy])
fit_transform(X[,y])
get_params([deep])
set_params(**params)
八、增加伪特征
sp.add_dummy_feature(X,value=1.0):
在 X 的第一列插入值为 value 的列
九、自定义特征转换函数
将原始的特征放进自定义的函数中做转换,其输出值就是根据自定函数的转换规则转换后的新特征
transformer = sp.FunctionTransformer(func=None,validate=True, accept_sparse=False, pass_y=False):
func是自定义函数
以上就是sklearn.preprocessing模块的基本应用,可以帮助大家在数据预处理上更加得心应手,如有不足或疏漏之处还请指正。