Sklearn中数据预处理与特征工程

数据挖掘的五大流程:
1.获取数据
2.数据预处理
3.特征工程
4.建模，测试模型并预测出结果
5.上线，验证模型效果

其中数据预处理是从数据中检测，纠正或删除损坏，不准确或不适用于模型的记录的过程
可能面对的问题有:数据类型不同，比如有的是文字，有的是数字，有的含时间序列，有的连续，有的间断。也可能，数据的质量不行，有噪声，有异常，有缺失，数据出错，量纲不一，有重复，数据是偏态，数据量太大或太小
数据预处理的目的:让数据适应模型，匹配模型的需求
①数据无量纲化
②缺失值
③处理分类特征（编码与哑变量）
④处理连续型特征：二值化与分段
在机器学习算法实践中，我们往往有着将不同规格的数据转换到同一规格，或不同分布的数据转换到某个特定分布的需求，这种需求统称为将数据**"无量纲化”。
譬如梯度和矩阵为核心的算法中，譬如逻辑回归，支持向量机，神经网络，无量纲化可以加快求解速度;而在距离类模型，譬如K近邻，K-Means聚类中，无量纲化可以帮我们提升模型精度，避免某一个取值范围特别大的特征对距离计算造成影响。 （一个特例是决策树和树的集成算法们，对决策树我们不需要无量纲化，决策树可以把任意数据都处理得很好）
数据的无量纲化可以是线性的，也可以是非线性的**。线性的无量纲化包括中心化(Zero-centered或者MeanSubtracin)处理和编放处理(scale) 。中心化的本质是让所有记录减去个固定值，即正数据样本数据平移到某个位置。缩放的本质是通过余以)个固定值，将数据固定在某个范围之中，取对数也算是种缩放处理。

特征工程是将原始数据转换为更能代表预测模型的潜在问题的特征的过程，可以通过挑选最相关的特征，提取特征以及创造特征来实现。其中创造特征又经常以降维算法的方式实现。
可能面对的问题有:特征之间有相关性，特征和标签无关，特征太多或太小，或者干脆就无法表现出应有的数据现象或无法展示数据的真实面貌
特征工程的目的: 1) 降低计算成本，2) 提升模型上限