前言
数据来源于菜菜的课堂
一、数据无量纲化
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;
- 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Meansubtraction)处理和缩放处理(Scale)。
中心化的本质是让所有记录减去一个固定值,即让数据样本数据平移到某个位置。缩放的本质是通过除以一个固定值,将数据固定在某个范围之中,取对数也算是一种缩放处理
1.1 数据归一化
当数据(x)按照最小值中心化后,再按极差(最大值 - 最小值)缩放,数据移动了最小值个单位,并且会被收敛到[0,1]之间,而这个过程,就叫做数据归一化(Normalization,又称Min-Max Scaling)。
注意,Normalization是归一化,不是正则化,真正的正则化是regularization,不是数据预处理的一种手段
归一化之后的数据服从正态分布,公式如下:
x
∗
=
x
−
m
i
n
(
x
)
m
a
x
(
x
)
−
m
i
n
(
x
)
x^*=\frac{x-min(x)}{max(x)-min(x)}
x∗=max(x)−min(x)x−min(x)
在sklearn当中,我们使用preprocessing.MinMaxScaler来实现这个功能。MinMaxScaler有一个重要参数,feature_range,控制我们希望把数据压缩到的范围,默认是[0,1]
通常在实际应用中,通过梯度下降求解的模型是需要归一化的,包括线性回归、逻辑回归、支持向量机、神经网络模型等。然而并不适用于决策树模型,因为决策树在划分子树时依据的是信息增益(或基尼系数等),而信息增益与特征是否经过归一化是无关的,因为归一化并不会改变样本在特征上的信息增益
1.1.1 不加feature_range,默认是[0,1]
from sklearn.preprocessing import MinMaxScaler#归一化
import pandas as pd
data = [[-1,2],[-0.1,8],[1,10],[5,20]]
#可以通过DataFrame来查看data的样式
pd.DataFrame(data)
#实现归一化
scaler = MinMaxScaler() #实例化
scaler = scaler.fit(data) #fit,在这里本质是生成min(x)和max(x)
result = scaler.transform(data) #通过接口导出结果
>result
>array([[0. , 0. ],
[0.15 , 0.33333333],
[0.33333333, 0.44444444],
[1. , 1. ]])
#可以将fit和transform合并,使训练和导出结果一步达成
result_ = scaler.fit_transform(data)
scaler.inverse_transform(result) #将归一化后的结果逆转
>array([[-1. , 2. ],
[-0.1, 8. ],
[ 1. , 10. ],
[ 5. , 20. ]])
1.1.2 使用MinMaxScaler的参数feature_range实现将数据归一化到[0,1]以外的范围中
scaler = MinMaxScaler(feature_range=[5,10])
result = scaler.fit_transform(data)
>result
>array([[ 5. , 5. ],
[ 5.75 , 6.66666667],
[ 6.66666667, 7.22222222],
[10. , 10. ]])
1.1.3 使用numpy来实现归一化
import numpy as np
x = np.array([[-1,2],[-0.1,8],[1,10],[5,20]])
x_nor = (x-x.min(axis=0))/(x.max(axis=0)-x.min(axis=0))
>x_nor
>array([[0. , 0. ],
[0.15 , 0.33333333],
[0.33333333, 0.44444444],
[1. , 1. ]])
x_returned = x_nor*(x.max(axis=0)-x.min(axis=0))+x.min(axis=0)
>x_returned
>array([[-1. , 2. ],
[-0.1, 8. ],
[ 1. , 10. ],
[ 5. , 20. ]])
1.2 数据标准化
当数据(x)按均值(μ)中心化后,再按标准差(σ)缩放,数据就会服从为均值为0,方差为1的正态分布(即标准正态分布),而这个过程,就叫做数据标准化(Standardization,又称Z-score normalization),公式如下:
x
∗
=
x
−
μ
σ
x^*=\frac{x-μ}{σ}
x∗=σx−μ
在sklearn当中,我们使用preprocessing.StandardScaler来实现这个功能
from sklearn.preprocessing import StandardScaler
data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
scaler = StandardScaler() #实例化
scaler.fit(data) #fit,本质是生成均值和方差
#查看均值的属性mean_
scaler.mean_
#因为数据是两列的二维数组,mean_是按照特征的列来求取平均值,有两个特征,所以结果是两个
>array([-0.125, 9. ])
#查看方差的属性var_
scaler.var_
#因为数据是两列的二维数组,var_是按照特征的列来求取方差,有两个特征,所以结果是两个
>array([ 0.546875, 35. ])
x_std = scaler.transform(data) #通过接口导出结果
#导出的结果是一个数组,用mean()查看均值
x_std.mean()
#用std()查看方差
x_std.std()
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
1.3 StandardScaler和MinMaxScaler选哪个?
- 大多数机器学习算法中,会选择StandardScaler来进行特征缩放,因为MinMaxScaler对异常值非常敏感。在PCA,聚类,逻辑回归,支持向量机,神经网络这些算法中,StandardScaler往往是最好的选择
- MinMaxScaler在不涉及距离度量、梯度、协方差计算以及数据需要被压缩到特定区间时使用广泛,比如数字图像处理中量化像素强度时,都会使用MinMaxScaler将数据压缩于[0,1]区间之中。
- 建议先试试看StandardScaler,效果不好换MinMaxScaler。
除了StandardScaler和MinMaxScaler之外,sklearn中也提供了各种其他缩放处理(中心化只需要一个pandas广播一下减去某个数就好了,因此sklearn不提供任何中心化功能)。
- 在希望压缩数据,却不影响数据的稀疏性时(不影响矩阵中取值为0的个数时),我们会使用MaxAbsScaler
- 在异常值多,噪声非常大时,我们可能会选用分位数来无量纲化,此时使用RobustScaler
- 更多详情请参考以下列表
二、缺失值处理
机器学习和数据挖掘中所使用的数据,永远不可能是完美的。很多特征,对于分析和建模来说意义非凡,但对于实际收集数据的人却不是如此,因此数据挖掘之中,常常会有重要的字段缺失值很多,但又不能舍弃字段的情况。因此,数据预处理中非常重要的一项就是处理缺失值。
下面使用的泰坦尼克号是菜菜重新编辑的泰坦尼克号案例
2.1我们使用impute.SimpleImputer来实现这个功能
在学习随机森林的案例时,我们用这个类和随机森林回归填补了缺失值,对比了不同的缺失值填补方式对数据的影响。这个类是专门用来填补缺失值的。它包括四个重要参数:
参数 | 含义&输入 |
---|---|
missing_values | 告诉SimpleImputer,数据中的缺失值长什么样,默认空值np.nan |
strategy | 我们填补缺失值的策略,默认均值。 输入“mean”使用均值填补(仅对数值型特征可用) 输入“median"用中值填补(仅对数值型特征可用) 输入"most_frequent”用众数填补(对数值型和字符型特征都可用) 输入“constant"表示请参考参数“fill_value"中的值(对数值型和字符型特征都可用) |
fill_value | 当参数startegy为”constant"的时候可用,可输入字符串或数字表示要填充的值,常用0 |
copy | 默认为True,将创建特征矩阵的副本,反之则会将缺失值填补到原本的特征矩阵中去。 |
----案例开始----
import pandas as pd
#如果read_csv内加上index_col=0,就让第一列充当序号,这里没有加,可以同2.2对比
data = pd.read_csv('Narrativedata.csv')
data.head()
data.info()
#sklearn当中特征矩阵必须是二维,series是一维的,所以需要升维
Age = data.loc[:,'Age'].values.reshape(-1,1)
Age[:20]
from sklearn.impute import SimpleImputer
import numpy as np
#missing_values=np.nan可以不写,默认就是np.nan
#实例化,如果不填写参数默认均值填补
imp_mean = SimpleImputer(missing_values=np.nan,strategy='mean')
#用中位数填补
imp_median = SimpleImputer(missing_values=np.nan,strategy='median')
#用0填补
imp_0 = SimpleImputer(missing_values=np.nan,strategy='constant',fill_value=0)
#fit_transform一步完成调取结果
imp_mean = imp_mean.fit_transform(Age)
imp_median = imp_median.fit_transform(Age)
imp_0 = imp_0.fit_transform(Age)
#简单查看填充完之后的样子
imp_mean[:,20]
imp_median[:,20]
imp_0[:,20]
#在这里我们使用中位数填补Age
data.loc[:,'Age'] = imp_median
data.info()
#使用众数填补Embarked,正常来说这种情况可以直接使用dropna删除这两行,这里为了学习,使用众数填补
Embarked = data.loc[:,'Embarked'].values.reshape(-1,1)
data.loc[:,'Embarked'] = SimpleImputer(missing_values=np.nan,strategy='most_frequent').fit_transform(Embarked)
data.info()
2.2 也可用Pandas和Numpy进行填补,其实更加简单,随便用哪个
data = pd.read_csv('Narrativedata.csv',index_col=0)
data.loc[:,'Age'] = data.loc[:,'Age'].fillna(data.loc[:,'Age'].median())
data.dropna(axis=0,inplace=True)
data.info()
三、处理分类型特征:编码与哑变量
在机器学习中,大多数算法,譬如逻辑回归,支持向量机SVM,k近邻算法等都只能够处理数值型数据,不能处理文字,在sklearn当中,除了专用来处理文字的算法,其他算法在fit的时候全部要求输入数组或矩阵,也不能够导入文字型数据(其实手写决策树和普斯贝叶斯可以处理文字,但是sklearn中规定必须导入数值型)。
然而在现实中,许多标签和特征在数据收集完毕的时候,都不是以数字来表现的。比如说,学历的取值可以是[“小 学”,“初中”,“高中”,“大学”],付费方式可能包含[“支付宝”,“现金”,“微信”]等等。在这种情况下,为了让数据适应算法和库,我们必须将数据进行编码,即是说,将文字型数据转换为数值型。
3.1 preprocessing.LabelEncoder:标签专用,能够将分类转换为分类数值
from sklearn.preprocessing import LabelEncoder
y = data.loc[:,'Survived'] #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.fit(y) #导入数据
label = le.transform(y) #transform接口调取结果
#上卖弄的步骤可以用一句话直接全部概况,熟悉了可以直接这么写
data.iloc[:,-1] = LabelEncoder().fit_transform(data.iloc[:,-1])
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,从数字变为No,Yes等
le.classes_ #属性.classes_查看标签中究竟有多少类别
label
3.2 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
data_ = data.copy()
data_.head()
#接口categories_对应LabelEncoder的接口classes_,一模一样的功能
OrdinalEncoder().fit(data_.iloc[:,1:-1]).categories_
data_.iloc[:,1:-1] = OrdinalEncoder().fit_transform(data_.iloc[:,1:-1])
data_.head()
3.3 preprocessing.OneHotEncoder:独热编码,创建哑变量
我们刚才已经用OrdinalEncoder把分类变量Sex和Embarked都转换成数字对应的类别了。在舱门Embarked这一列中,我们使用[0,1,2]代表了三个不同的舱门,然而这种转换是正确的吗?
我们来思考三种不同性质的分类数据:
1) 舱门(S,C,Q)
三种取值S,C,Q是相互独立的,彼此之间完全没有联系,表达的是S≠C≠Q的概念。这是名义变量。
2) 学历(小学,初中,高中)
三种取值不是完全独立的,我们可以明显看出,在性质上可以有高中>初中>小学这样的联系,学历有高低,但是学历取值之间却不是可以计算的,我们不能说小学 + 某个取值 = 初中。这是有序变量。
3) 体重(>45kg,>90kg,>135kg)
各个取值之间有联系,且是可以互相计算的,比如120kg - 45kg = 90kg,分类之间可以通过数学计算互相转换。这是有距变量。
然而在对特征进行编码的时候,这三种分类数据都会被我们转换为[0,1,2],这三个数字在算法看来,是连续且可以计算的,这三个数字相互不等,有大小,并且有着可以相加相乘的联系。所以算法会把舱门,学历这样的分类特征,都误会成是体重这样的分类特征。这是说,我们把分类转换成数字的时候,忽略了数字中自带的数学性质,所以给算法传达了一些不准确的信息,而这会影响我们的建模。
类别OrdinalEncoder可以用来处理有序变量,但对于名义变量,我们只有使用哑变量的方式来处理,才能够尽量向算法传达最准确的信息:
这样的变化,让算法能够彻底领悟,原来三个取值是没有可计算性质的,是“有你就没有我”的不等概念。在我们的数据中,性别和舱门,都是这样的名义变量。因此我们需要使用独热编码,将两个特征都转换为哑变量。
from sklearn.preprocessing import OneHotEncoder
x = data.iloc[:,1:-1]
#categories='auto'这个在新版本可用,sklearn会自己寻找特征
enc = OneHotEncoder(categories='auto').fit(x)
result = enc.transform(x).toarray()
#可以一步到位
OneHotEncoder(categories='auto').fit_transform(X).toarray()
result
#对应上方得到的哑变量的名称
enc.get_feature_names()
#依然可以还原
pd.DataFrame(enc.inverse_transform(result))
#axis=1,表示跨行进行合并,也就是将量表左右相连,如果是axis=0,就是将量表上下相连
newdata = pd.concat([data,pd.DataFrame(result)],axis=1)
newdata.head()
#删除两个特征用哑变量来代替
newdata.drop(['Sex','Embarked'],axis=1,inplace=True)
#对所有的列进行重新的命名
newdata.columns=["Age","Survived","Female","Male","Embarked_C","Embarked_Q","Embarked_S"]
newdata.head()
3.4 类sklearn.preprocessing.LabelBinarizer可以对标签做哑变量
这样的做法在现实中不常见
- 许多算法都可以处理多标签问题(比如说决策树)
3.5 编码与哑变量总结
3.6 数据类型以及常用的统计量
四、处理连续型特征:二值化与分段
4.1 数据二值化sklearn.preprocessing.Binarizer
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,而小于或等于阈值的值映射为0。默认阈值为0时,特征中所有的正值都映射到1。二值化是对文本计数数据的常见操作,分析人员可以决定仅考虑某种现象的存在与否。它还可以用作考虑布尔随机变量的估计器的预处理步骤(例如,使用贝叶斯设置中的伯努利分布建模)
data_2 = data.copy()
from sklearn.preprocessing import Binarizer
x = data_2.loc[:,data.columns=='Age'] #类为特征专用,所以不能使用一维数组
#x = data_2.loc[:,'Age'].values.reshape(-1,1)#另一种写法
#设置中间参考值为30,大于30为1,小于等于30为0
transform = Binarizer(threshold=30).fit_transform(x)
transform
4.2 连续型变量划分为分类变量preprocessing.KBinsDiscretizer
这是将连续型变量划分为分类变量的类,能够将连续型变量排序后按顺序分箱后编码。总共包含三个重要参数:
参数 | 含义&输入 |
---|---|
n_bins | 每个特征中分箱的个数,默认5,一次会被运用到所有导入的特征 |
encode | 编码的方式,默认“onehot” "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 | 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 |
from sklearn.preprocessing import KBinsDiscretizer
X = data.iloc[:,0].values.reshape(-1,1)
est = KBinsDiscretizer(n_bins=3, encode='ordinal', strategy='uniform')
est.fit_transform(X).ravel()
est = KBinsDiscretizer(n_bins=3, encode='onehot', strategy='uniform')
est.fit_transform(X).toarray()
总结
学习了数据预处理的内容