在机器学习中，如何用Python进行数据预处理？

数据分析之路持续学习中- - -

近期学习了机器学习中的数据预处理章节，在此进行分享，欢迎大家讨论指正。

顺便说一下，这里我使用的软件是Anacnoda 3中已经安装好的Spyder 3，这个软件用起来很爽，适合用来做数据分析，缺点就是不好进行调试以及管理大型项目。

如果是要用来做网页等大型工程的话，建议：Anacnoda + Pycharm。

数据预处理有哪些步骤？

机器学习中，数据预处理全流程一般包含以下6大步骤：
（1）导入标准库：如：pandas、numpy、matplotlib等；
（2）导入数据集：将需要分析的数据读入；
（3）缺失数据处理：对数据表中的空值进行处理；
（4）分类数据：将需要的维度数据（如：国家）转换为能带入公式中的可度量值；
（5）数据划分训练集、测试集：将数据集的数据按一定比例进行随机拆分，形成训练集与测试集；
（6）特征缩放：将不在同一数量级的数据进行处理，加快程序运行速度，以及尽快得到收敛结果。

一般情况下，我们得到的数据集都是经过处理的比较规整的数据，因此，常用的4个步骤是：

• 导入标准库；
• 导入数据集；
• 数据划分训练集、测试集；
• 特征缩放；
  下面将对6个步骤进行分步解读：

步骤1：导入标准库

在数据分析或机器学习中，常用的3个标准库如下：
（1）numpy
numpy是Python的一个高性能科学计算和数据分析的基础包，拥有强大的数组和矢量的计算方法可供直接调用。
（2）pandas
基于numpy创建的，含有DataFrame等高级数据结构和操作方法，能够让数据处理问题变得更简单更高效。
（3）matplotlib
是一个类似于Matlab的一个画图工具，是python的一个画图基础包，能够使用它其中的方法画出各种可视化图表；
下面将给出导入标准库的代码：

# Step1:导入标准库，Importing the Libraries

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

步骤2：导入数据集

导入数据集，需要用到pandas标准库中的数据读入函数，我们常用其读入csv文件或者excel文件：

• 读取csv或者text文件：read_csv()；
• 读取Excel文件：read_excel()；

使用方法,以csv文件为例，就是：dataset = pd.read_csv(‘data.csv’)

我们以图中数据data.csv为例，进行导入：

导入数据后，我们还需要将数据的自变量和因变量进行分离，以达到数据分析目的。

# Step2：导入数据集

dataset = pd.read_csv('data.csv')
# 自变量与因变量分离,自变量取前三列，因变量为最后一列，是否购买
x = dataset.iloc[:,:-1].values
y =  dataset.iloc[:,3].values

得到的结果如图所示：
（1）得到的DataFrame

（2）得到的自变量和因变量如图：

步骤3：缺失数据处理

在我们要分析的数据中，有时候会因为数据采集不全等情况，而导致数据出现空值的情况。在数据分析的时候为了避免因为异常数据而带来的影响，我们可能需要想办法补齐这些数据。有人会说那删掉可以么？答案是：最好不要删除数据，因为有可能会删除重要数据，我们尽量保持数据样本的容量大一些，这样分析结果会更精准。

我们可以使用如下方法，填充空值：

• 使用平均值填充；
• 使用中位数填充；
• 使用众数填充

但我们一般用平均数来填充，因为平均数在解释的意义上，比中位数是更具有优势，更具有解释性。这可以理解为大家喜欢用平均数说话，也更具有代表性，比如一般都说人均工资，而不会说人中位数工资是多少…

使用平均数对缺失值进行补充，代码如下：

# 导入数据预处理包

from sklearn.preprocessing import Imputer

# 对于Imputer的使用，这里不做详细解读
# 第一个参数为处理何值，第二个参数为如何处理（mean为平均数），第三个参数0意思是取列的平均值，后面为默认值，感兴趣的可查询官方文档进行研读。
imputer = Imputer(missing_values = 'NaN', strategy = 'mean', axis = 0, verbose = 0, copy = True)
# 对X进行拟合
imputer = imputer.fit(x[:,1:3])
# 将拟合结果返回到x中
x[:,1:3] = imputer.transform(x[:,1:3])

处理后结果如下：

我们可以看到原来的nan值已经替换为了平均值，缺失数据的处理就结束了

步骤4：分类数据

我们可以看到在数据中，因变量x中，有一列为Country，这一列是无法带入公式中计算的，因此我们需要将其进行分类，处理为可带入公式计算的矢量。
这里我们需要用到sklearn中的两个方法：

• LabelEncoder：将数据进行标准化处理；
• OneHotEncoder：将标准化数据，进行虚拟化处理。

处理代码如下：

# Step4：分类数据 Encoding Categorical data
from sklearn.preprocessing import LabelEncoder,OneHotEncoder

# 创建一个对象
labelencoder_x = LabelEncoder()

# 告诉程序处理哪一列数据
x[:,0] = labelencoder_x.fit_transform(x[:,0])
# 通过处理，使得无意义的维度代码，变成有意义的数据，以便带入公式中计算
onehotencoder = OneHotEncoder(categorical_features = [0])
x = onehotencoder.fit_transform(x).toarray()
# 同上处理，不同的是：因变量不用转换，因为python会自动识别其为分类数据，因此只要将其进行LabelEncoder处理即可
labelencoder_y = LabelEncoder()
y = labelencoder_y.fit_transform(y)

处理结果如图：

步骤5：将数据划分为训练集和测试集

所谓机器学习，即让机器“自己学”，因此需要提供一定量的训练集供我们的模型进行训练，训练完成后我们还需要将一部分数据进行检验，查看效果如何。

一般的训练集与测试集的比例如下：

• 训练集：0.5 - 0.8（最少最少0.5）
• 测试集：0.2-0.8（一般选择0.2或者0.25或者1/3）

用Python实现训练集与测试集的划分如下：

# Step5：将数据划分为训练集与测试集
from sklearn.preprocessing import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.2, random_state = 0)

所得训练集与测试集如图所示：

步骤6：特征缩放

在计算过程中，由于数据之间不在一个数量级，那么有可能所得的结果会比较难看，收敛情况比较难得到，计算性能也会相对较慢，因此会进行特征缩放操作。

python中进行特征缩放会用到Sklearn中的StandardScaler，因此需要进行导入

python的特征缩放代码如下：

# Step6：特征缩放

from sklearn.preprocessing import StandardScaler
sc_x = StandardScaler()
x_train = sc_x.fit_transform(x_train)
x_test = sc_x.fit_transform(x_test)

进行特征缩放后，所得结果如下图所示：

以上就是机器学习的Python数据预处理代码。经过预处理后，就可以进行后续的数据挖掘操作了。

也欢迎大家关注我的知乎专栏《数据分析学习之路》，我将持续更新我数据分析学习之路的点点滴滴，与大家共同进步。谢谢大家！