机器学习——数据的预处理

数据清洗

1、重复观测处理

​2、缺失值处理

删除法

 替换法

 插补法

3、异常值处理

一、为什么要特征数据缩放？

二、特征缩放常用的方法

1、归一化(Normalization)

2、标准化(Standardization)

数据清洗

        在数据处理过程中，一般都需要进行数据的清洗工作，如数据集是 否存在重复、是否存在缺失、 数据是否具有完整性和一致性、数据中是 否存在异常值等。

import pandas as pd
import numpy as np
data=pd.DataFrame([[8.3,6],[9.3,4],[6,8],[3,1],[3,1]])
# 重复观测的检测 
print('数据集中是否存在重复观测：\n',any(data.duplicated()))

# 删除重复项 
data.drop_duplicates(inplace = True)
# 重复观测的检测 
print('数据集中是否存在重复观测：\n',any(data.duplicated()))
print(data)

2、缺失值处理

        一般而言，当遇到缺失值（Python中用NaN 表示）时，可以采用三 种方法处置，分别是删除法、替换法和插补法。

• 删除法

• import pandas as pd
  import numpy as np
   
  data=pd.DataFrame([[8.3,6,],[9.3,4,],[6,8,8],[5,6],[3,1,8]],columns=('a','b','c'))
  # 缺失观测的检测 
  print('数据集中是否存在缺失值：\n',any(data.isnull()))
  print(data)
   
   
  # 删除法之变量删除
  data.drop(["c"],axis =1 ,inplace=True)
  print(data)

  

• # 删除法之记录删除 
  data=data.dropna(axis=0,how='any')

  

• 解析：

  ​​​​​1、删除全为空值的行或列

        data=data.dropna(axis=0,how='all')   #行

        data=data.dropna(axis=1,how='all')   #列

  2、删除含有空值的行或列

       data=data.dropna(axis=0,how='any')   #行

      data=data.dropna(axis=1,how='any')   #列

  函数具体解释：

  DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)
  函数作用：删除含有空值的行或列

  axis：维度，axis=0表示index行,axis=1表示columns列，默认为0

  how："all"表示这一行或列中的元素全部缺失（为nan）才删除这一行或列，"any"表示这一行或列中只要有元素缺失，就删除这一行或列

  thresh：一行或一列中至少出现了thresh个才删除。

  subset：在某些列的子集中选择出现了缺失值的列删除，不在子集中的含有缺失值得列或行不会删除（有axis决定是行还是列）

  inplace：刷选过缺失值得新数据是存为副本还是直接在原数据上进行修改。

•  替换法

• # 替换法之前向替换
  #data.fillna(method = 'ffill')
  # 替换法之后向替换
  #data.fillna(method = 'bfill')
  #替换法之补平均数
  #data['c']=data['c'].fillna(data['c'].mean())
  #替换法之补众数
  #data['c']=data['c'].fillna(data['c'].mode())
  #替换法之补中位数
  data['c']=data['c'].fillna(data['c'].median())
  print(data)

  

•  插补法

•  插值法是利用已知点建立合适的插值函数，未知值由对应点xi求出的函数值f(xi)近似代替

• 数据查看
  查看行列： data.shape
  查看数据详细信息： data.info()，可以查看是否有缺失值
  查看数据的描述统计分析： data.describe()，可以查看到异常数据
  获取前/后10行数据： data.head(10)、data.tail(10)
  查看列标签： data.columns.tolist()
  查看行索引： data.index
  查看数据类型： data.dtypes
  查看数据维度： data.ndim
  查看除index外的值： data.values，会以二维ndarray的形式返回DataFrame的数据
  查看数据分布（直方图）： seaborn.distplot(data[列名].dropna())

  特征缩放

  一、为什么要特征数据缩放？

          有特征的取值范围变化大，影响到其他的特征取值范围较小的，那么，根据欧氏距离公式，整个距离将被取值范围较大的那个特征所主导。

• 

  为避免发生这种情况，一般对各个特征进行缩放，比如都缩放到[0,1]，以便每个特征属性对距离有大致相同的贡献。

  作用：确保这些特征都处在一个相近的范围。

  优点：1、这能帮助梯度下降算法更快地收敛，2、提高模型精

  直接求解的缺点：
  1、当x1 特征对应权重会比x2 对应的权重小很多，降低模型可解释性
  2、梯度下降时，最终解被某个特征所主导，会影响模型精度与收敛速度
  3、正则化时会不平等看待特征的重要程度（尚未标准化就进行L1/L2正则化是错误的）

  哪些机器学习算法不需要(需要)做归一化?

          概率模型（树形模型）不需要归一化，因为它们不关心变量的值，而是关心变量的分布和变量之间的条件概率，如决策树、RF。而像Adaboost、SVM、LR、Knn、KMeans之类的最优化问题就需要归一化。

• 二、特征缩放常用的方法
  1、归一化(Normalization)
  数值的归一，丢失数据的分布信息，对数据之间的距离没有得到较好的保留，但保留了权重。
  1.小数据/固定数据的使用；2.不涉及距离度量、协方差计算、数据不符合正态分布的时候；3.进行多指标综合评价的时候。
   将数值规约到(0,1)或(-1,1)区间。

  一个特征X的范围[min，max]

• 

• import pandas as pd
  import numpy as np
   
  data=pd.DataFrame([[8.3,6],[9.3,4],[6,8],[3,1]])
  print(data)
   
  data[0]=(data[0]-data[0].min())/(data[0].max()-data[0].min())
  data[1]=(data[1]-data[1].min())/(data[1].max()-data[1].min())
  print(data)

  结果：

• 

• 2、标准化(Standardization)
  数据分布的归一，较好的保留了数据之间的分布，也即保留了样本之间的距离，但丢失了权值
  1.在分类、聚类算法中，需要使用距离来度量相似性；2.有较好的鲁棒性，有产出取值范围的离散数据或对最大值最小值未知的情况下。
   将数据变换为均值为0，标准差为1的分布切记，并非一定是正态的。
  
  

• import numpy as np
  from sklearn.preprocessing import StandardScaler
   
  data=np.array([[2,2,3],[1,2,5]])
  print(data)
  print()
   
  scaler=StandardScaler()
  # fit函数就是要计算这两个值
  scaler.fit(data)
  # 查看均值和方差
  print(scaler.mean_)
  print(scaler.var_)
  # transform函数则是利用这两个值来标准化（转换）
  X=scaler.transform(data)
  print()
  print(X)

  结果：

• 

• 相同点及其联系
  归一化广义上是包含标准化的，以上主要是从狭义上区分两者。本质上都是进行特征提取，方便最终数据的比较。都是为了缩小范围，便于后续的数据处理。
  加快梯度下降，损失函数收敛； 提升模型精度； 防止梯度爆炸(消除因为输入差距过大而带来的输出差距过大，进而在反向传播的过程当中导致梯度过大，从而形成梯度爆炸)