特征预处理
通过特定的统计方法(数学方法)将数据转换成算法要求的数据
数值型数据:
-标准缩放
- 归一化
- 标准化
- 缺失值
类别行数据:
- one-hot编码
时间型数据:
- 时间的切分
1、归一化
将原始数据映射到一个区间[0,1]
特征同等重要:归一化处理
目的:使得某一个特征对最终结果不对造成更大的影响
缺点:对于异常点处理不好,容易影响最大值最小值,鲁棒性较差(稳定性),只适合精确小数据场景
计算公式
x 1 = x − m i n m a x − m i n x_1 = \frac{x-min}{max - min} x1=max−minx−min
x 2 = x 1 ∗ ( m x − m i ) + m i x_2 = x_1 * (mx - mi) + mi x2=x1∗(mx−mi)+mi
min为列最小值
max为列最大值
x2 为最终结果
mx ,mi 为指定区间默认[0, 1]
代码示例
# -*- coding: utf-8 -*-
from sklearn.preprocessing import MinMaxScaler
# 归一化处理,将数据映射到指定区间
data = [
[90, 2, 10, 40],
[60, 4, 15, 45],
[75, 3, 13, 46]
]
min_max = MinMaxScaler(feature_range=(0, 1))
result = min_max.fit_transform(data)
print(result)
"""
[
[1. 0. 0. 0. ]
[0. 1. 1. 0.83333333]
[0.5 0.5 0.6 1. ]
]
计算示例,第一列
90
x1 = (x−min)/(max-min) = (90 - 60)/(90 - 60) = 1
x2 = x1 * (mx - mi)+ mi = 1 * (1 - 0) + 0 = 1
60
x1 = (x−min)/(max-min) = (60 - 60)/(90 - 60) = 0
x2 = x1 * (mx - mi)+ mi = 0 * (1 - 0) + 0 = 0
75
x1 = (x−min)/(max-min) = (75 - 60)/(90 - 60) = 0.5
x2 = x1 * (mx - mi)+ mi = 0.5 * (1 - 0) + 0 = 0.5
"""
2、标准化
将原始数据变换到均值为0,标准差为1的范围内
平均值
方差 考量数据稳定性
方差 = 0 所有值都一样
标准差
异常点:由于具有一定数据量,少量的异常点对于平均值的影响并不大,从而方差改变较小
标准差适用场景:
样本足够多且比较稳定,嘈杂大数据
计算公式
s
2
=
∑
i
=
1
n
(
x
i
−
m
e
a
n
)
2
n
s^2 = \frac{\sum_{i=1}^n( x_i - mean)^2}{n}
s2=n∑i=1n(xi−mean)2
x
1
=
x
−
m
e
a
n
s
x1 = \frac{x - mean}{s}
x1=sx−mean
mean 是列数据平均值
s 是标准差
s
2
s^2
s2 方差
n 样本数
代码示例
from sklearn.preprocessing import StandardScaler
# 标准化处理,将数据映射到均值为0,标准差为1
data = [
[1.0, -1.0, 3.0],
[2.0, 4.0, 2.0],
[4.0, 6.0, -1.0]
]
std = StandardScaler()
result = std.fit_transform(data)
print(result)
"""
[
[-1.06904497 -1.35873244 0.98058068]
[-0.26726124 0.33968311 0.39223227]
[ 1.33630621 1.01904933 -1.37281295]
]
"""