机器学习001: 数据预处理
1、导入需要的库
import numpy as np
import pandas as pd
2、导入数据集
dataset1 = pd.read_csv('D:/Python/ml/data1.csv') ##读取csv文件
X = dataset1.iloc[ : , :-1].values
Y = dataset1.iloc[ : , 3].values
print("X")
print(X)
知识点
1、.iloc[行,列],: 全部行或列, [a] 第a行或列, [a,b,c] 第a、b、c行或列
3、处理丢失数据
from sklearn.impute import SimpleImputer
imputer = SimpleImputer(missing_values=np.nan, strategy="mean")
imp = imputer.fit(X[ : ,1:3])
X[ : ,1:3] = imp.transform(X[ : ,1:3])
print("X")
print(X)
知识点
1、 missing_values 缺失值,strategy 填充策略,包括mean(平均数)、median(中位数)、most_frequent(众数)、constant(自定义常量);
2、.fit 计算矩阵除缺失值之外的相关值的大小;
3、.transform 对缺失值进行填充。
4、解析分类数据,创建虚拟变量
from sklearn.preprocessing import LabelEncoder,OneHotEncoder
from sklearn.compose import ColumnTransformer
ct = ColumnTransformer([("", OneHotEncoder(),[0])], remainder = 'passthrough')
X =ct.fit_transform(X)
labelencoder_Y = LabelEncoder()
Y = labelencoder_Y.fit_transform(Y)
print("X")
print(X)
print("Y")
print(Y)
知识点
1、LabelEncoder 和 OneHotEncoder均用于将类别数据进行数字化处理,LabelEncoder有序多数值,OneHotEncoder无序0和1;
2、ColumnTransform 数据转换函数,它允许将特定的转换序列仅应用于数字列,而将单独的转换序列应用于类别列;必须指定transformers参数(三元组:名称、对象、列);
3、参数remainder用于确定当输入数据列数多于三元组中对象列数时采用的策略,默认值为drop表示舍弃,passthrough表示跳过不做转换。
5、数据拆分 训练集 测试集
from sklearn.model_selection import train_test_split
X_train,X_test,Y_train,Y_test = train_test_split(X , Y , test_size = 0.3 ,random_state = 0)
print("-------------------------")
print("X_train")
print(X_train)
print("X_test")
print(X_test)
print("Y_train")
print(Y_train)
print("Y_test")
print(Y_test)
知识点
1、 train_test_split函数功能为从样本中随机的按比例抽取训练集数据和测试集数据;
2、train_test_split(train_data,train_target,test_size= , random_state=0),
train_data 所要划分的样本特征集;train_target 所要划分的样本结果;test_size 样本占比,如果是整数则为样本的数量;random_state 随机数种子,控制每次划分训练集和测试集的模式,其取值不变时划分得到的结果一模一样,其值改变时,划分得到的结果不同。
6、特征量化
from sklearn.preprocessing import StandardScaler
sc_X = StandardScaler()
X_train = sc_X.fit_transform(X_train)
X_test = sc_X.transform(X_test)
print("---------------------")
print("X_train")
print(X_train)
print("X_test")
print(X_test)
知识点
1、Standardization标准化:将特征数据的分布调整成标准正态分布,也叫高斯分布,也就是使得数据的均值为0,方差为1。