机器学习(2.sklearn(Scikit-learn)库、字典数据的特征抽取)

sklearn(全称Scikit-learn库介绍)

      •Python语言的机器学习工具

      •Scikit-learn包括许多知名的机器学习算法的实现

      •Scikit-learn文档完善，容易上手，丰富的API，使其在学术界颇受欢迎。

安装：windows下    pip install Scikit-learn       注：安装scikit-learn需要Numpy,pandas等库

 数据的特征抽取

   特征抽取(进行特征值化)：  · 字典特征抽取： 把字典的数据转换为具体的数据

                       · 文本特征抽取：  把文本的数据转换为具体额数据

     注：特征值化是为了计算机更好的去理解数据

字典特征抽取

1.作用：对字典数据进行特征值化

2.语法：

   •DictVectorizer(sparse=True,…)

      (1) •DictVectorizer.fit_transform(X)      

                •X:字典或者包含字典的迭代器      传进去一个列表，列表中包含多个字典

                •返回值：返回sparse矩阵

      (2)•DictVectorizer.inverse_transform(X)

                  •X:array数组或者sparse矩阵

                 •返回值:转换之前数据格式

      (3)•DictVectorizer.get_feature_names()

                   •返回类别名称

       (4)•DictVectorizer.transform(X)

                   •按照原先的标准转换

3.流程与例子

from sklearn.feature_extraction import DictVectorizer

def dictvec1():
    dict = DictVectorizer()

    data = dict.fit_transform([
        {"city": "上海", 'temperature': 100},
        {"city": "北京", 'temperature': 60},
        {"city": "深圳", 'temperature': 30}
    ])
    print(data)
    return None

def dictvec2():
    dict = DictVectorizer(sparse=False)

    data = dict.fit_transform([
        {"city": "上海", 'temperature': 100},
        {"city": "北京", 'temperature': 60},
        {"city": "深圳", 'temperature': 30}
    ])
    print(dict.get_feature_names())
    print(data)
    return None

if __name__ == '__main__':
    dictvec1()
    dictvec2()

打印的结果：

# 第一个函数的打印结果
  (0, 0)	1.0
  (0, 3)	100.0
  (1, 1)	1.0
  (1, 3)	60.0
  (2, 2)	1.0
  (2, 3)	30.0
# 第二个函数的打印结果
['city=上海', 'city=北京', 'city=深圳', 'temperature']
[[  1.   0.   0. 100.]
 [  0.   1.   0.  60.]
 [  0.   0.   1.  30.]]

   第一 函数dictvec1() 的打印结果，就是sparse的矩阵模式 (在scipy模块中就是这种模式)，也就是找下表，对应数据

     转换成这种矩阵的模型是为了节约内存，方便读取处理

  第二个函数的打印结果： 是一个二维数组的类型  对应numpy中的 ndarray类型，也即是 one-hot编码

调用 get_feature_names() 函数，类似打印出类名，最后一个是结果值

对应刚才输入的数据，第二个函数的数据数组，的第一个小数组，对应列名，第一个城市是上海，则对应的位置上就为，1，数组的最后一个就是对应的结果值，第二个小数组同理，

第二值为1代表就是上海，最后一只也对应响应的结果值

总结： 字典数据抽取：把字典中一些类别数据，分别进行转换成特征数据

            数据形式，有类别的这些特征，先要转换字典数据

4.ont-hot编码

  比如说，Human的类别为1，Penguin的类别为2，Octopus的类别为3，Ailen的类别为4

只要数据对应的列名符合就为1,不符合的都为0