Python分类特征处理

1. 数据标准化/归一化：

目的：将特征缩放到相似的尺度，有助于提高算法的准确性

from sklearn.preprocessing import StandardScaler  
scaler = StandardScaler()  
data_scaled = scaler.fit_transform(data)

2.独热编码（One-Hot Encoding）：

将类别型变量转换为能够提供给机器学习算法的格式。

from sklearn.preprocessing import OneHotEncoder  
encoder = OneHotEncoder()  
data_onehot = encoder.fit_transform(data).toarray()

3.填充缺失值：

目的：为缺失的值提供默认值，以便算法可以处理这些数据。

import numpy as np   
# 用0填充所有缺失值  
data_filled = np.where(data == None, 0, data)

4.特征选择：

目的：选择与目标变量最相关的特征，提高模型的性能。

from sklearn.feature_selection import SelectKBest, f_classif  
# 选择K个最佳特征  
skb = SelectKBest(f_classif, k=10)  
X_new = skb.fit_transform(X, y)

5.特征提取：

目的：从原始特征中创建新的特征，以帮助模型更好地理解数据。

from sklearn.decomposition import PCA  
pca = PCA(n_components=2)  # 选择前2个主成分  
X_new = pca.fit_transform(X)

6.数据分箱：

目的：将连续型特征划分为几个区间，然后为每个区间创建一个新特征。

import pandas as pd   
bins = pd.cut(data['feature'], 4).codes.astype(str)  # 分成4个箱子

7.类别特征编码：

目的：对于类别型特征，可以使用标签编码或独热编码。

data_dummies = pd.get_dummies(data[['feature1', 'feature2']])`

8.特征缩放：

对于一些机器学习算法，如KNN、SVM等，特征缩放变得非常重要。常见的缩放技术包括最大最小缩放、标准化、归一化等。可以使用scikit-learn中的StandardScaler、MinMaxScaler等工具进行特征缩放。