【机器学习知识整理一】数据加载、数据整理、数值型数据处理

提示：纯小白，刚开始接触机器学习，目前也只是在网上找一些资料学习，权当学习笔记，有理解错误的地方，欢迎提出，我会及时更改。

---

前言

提示：参考资料《Python机器学习手册-从数据预处理到深度学习》以及从网上查找的其他资料

随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

一、向量、矩阵和数组

主要是对Numpy的一些操作，样例可参考：向量、矩阵和数组

二、加载数据

涉及机器学习，第一个步骤都是把原始数据加载到系统中。
从不同载体(比如CSV、SQL、JSON)中加载数据的方法，可参考样例：加载数据

三、数据整理

数据整理经常用于描述将原始数据转换成整洁的、组织合理的形式以供使用的过程，它是数据预处理中的一个重要步骤。
整理数据时，最常用的数据结构是数据帧data frame，数据帧呈表格状，用行和列来表示数据。
数据整理用的库主要是pandas，可参考样例：数据整理

四、处理数值型数据

1. 特征缩放

将原始数值数据转换成机器学习算法所需特征。

特征就是区分一个东西的地方，比如一个苹果的特征：红色、圆、甜、光滑、脆等等，这些我理解为一个事务的特征。

机器学习中特征缩放是一个很常见的预处理任务。很多算法都假设所有特征是在同一取值范围中的，最常见的范围是[0, 1]或[-1, 1]。

特征缩放的目的：把特征数据等比例放大或缩小，可以提高后面的模型算法训练效率。【待研究】

最简单的一种缩放方法：min-max缩放，将特征数据缩放到[0, 1]范围内。先计算特征的最小值和最大值，然后对所有特征进行缩放。

参考代码：特征缩放

2. 特征的标准化

特征标准化是特征缩放min-max缩放的一个常见的替代方案：将特征进行转换，使其平均值为0，标准差为1.
特征标准化计算公式：

标准差 $\sigma$ 计算公式:

针对特征中的异常值，可以使用中位数和四分位数间距进行缩放。【待研究】
特征标准化代码可以参考：特征标准化

3. 归一化观察值

归一化可以对单个观察值进行缩放，使其拥有一致的范数。当一个观察值有多个相等的特征时，经常使用这种类型的缩放。
欧式范数（L2范数）计算公式：

曼哈顿范数（L1范数）计算公式：

归一化观察值代码可参考：归一化观察值

4. 生成多项式和交互特征

当特征和目标值（预测值）之间存在非线性关系时，就需要创建多项式特征。
交互特征在我的理解中，就是一个特征依赖另一个特征，共同对目标作用生成效果。
多项式和交互特征代码可参考：生成多项式和交互特征

5. 转换特征

对特征值进行统一操作，一般是自定义一个函数，然后让每个特征值经过这个函数处理，得到自己想要的处理结果。
转换特征代码可参考：转换特征

6. 识别异常值

6.1 EllipticEnvelope

针对一个数据集，给这些数据画一个圈，在这个圈里面的视为正常值，在圈外边的视为异常值。
这个方法的一个主要限制是它需要指定一个污染指数参数，表示异常值在观察值中的比例，但是这个比例我们也不知道，只能自己根据数据进行估计，觉得异常值比较少，污染指数设置小一点；觉得异常值比较多，污染指数设置大一些。

6.2 四分位差

之查看某些特征，使用四分位差（interqutile range, IQR）来识别这些特征的极端值。
IQR是数据集的第1个四分位数和第3个四分位数之差。可以将IQR视为数据集中大部分数据的延展距离，而异常值会远远地偏离数据较为集中的区域。异常值常常被定义为比第1个四分位数小1.5IQR的值，或比第3个四分位数大1.5IQR的值。

参考代码：识别异常值

7. 异常值处理

通常有三种方式来处理异常值：
7.1 丢弃异常值
7.2 标记异常值，并作为数据的一个特征值
7.3 异常值特征转换，降低异常值的影响

在处理异常值时，不存在绝对准则，应该考虑异常值的来源是什么，如果是真的不需要的异常值，可以直接丢弃，如果确实存在异常场景，那就要考虑将该异常标记出来或进行特征转换了。
参考代码：异常值处理

8. 将特征离散化

将一个数值型特征离散化，分到多个离散的小区间中。
8.1 根据阈值将特征二值化
8.2 根据多个阈值将数值型特征离散化
参考代码： 将特征离散化

9. 使用聚类的方式将观察值分组

对观察值进行聚类操作，使相似的观察值被分为一组。
参考代码：使用聚类的方式将观察值分组

10. 删除带有缺失值的观察值

大多数机器学习算法不允许目标值或特征数组中存在缺失值，所以有必要在数据预处理阶段解决这个问题。
参考代码：删除带有缺失值的观察值

11. 填充缺失值

数据中存在缺失值，希望填充或预测这些值。
填充缺失值主要有两种策略：
策略一：使用机器学习来预测缺失值，最流行的选择是KNN。
不足：只适合小数据集，对大数据集，计算量会成为一个很严重的问题。

策略二：用平均值来填充缺失值。
不足：效果没有KNN好，但平均值填充策略很容易扩展到包含成千上万观察值的大数据集。
参考代码：填充缺失值

---

总结

本文中对机器学习的一些基础概念和基础操作做了总结，每一步每一种情况都给了代码样例，代码实现只是表面，重要的是了解和学习机器学习的思想。一步一步来吧！