【数据分析入门】python数据分析-特征预处理理论

预处理

基础概念

特征工程

数据越大,数据框架越简单
数据越小,数据框架越复杂
在这里插入图片描述
如有钱人喜欢用炸弹号,连续号
在这里插入图片描述

数据样本采集-抽样

在这里插入图片描述

异常值(空值)处理

在这里插入图片描述
在这里插入图片描述

特征预处理

在这里插入图片描述

特征选择

在这里插入图片描述
离职为1,其他为0
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

代码实现

注:不同于后期的数据建模,特征选择使用样本,进行小规模尝试

特征变换

放大差距的变换方法

对指化

在这里插入图片描述
在这里插入图片描述
把比较大的量级,通过对数的方法,得到直观的分级
如存款,使用log10
声音,使用分贝
地震,使用震级
在这里插入图片描述

离散化

在这里插入图片描述

在这里插入图片描述

归一化

归一化将数字映射到0-1,更直观,对比数据间距离
在这里插入图片描述

标准化

在这里插入图片描述
在这里插入图片描述
标准化,与样本分布相关

数值化

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

特征降维

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
求omega

特征衍生

在这里插入图片描述
在这里插入图片描述

代码实现

特征工程

import pandas as pd
df=pd.read_csv()
df=df.fillna(0)
upper_q=df["vol"].quantile(0.75) 
lower_q=df["vol"].quantile(0.25) 
q_int=upper_q-lower_q 
k=1.5
df[df["vol"]>lower_q-k*q_int][df["vol"]<upper_q+k*q_int]

df[[True if item.startswith("d") else False for item in list(df["client_rfm"].values)]]
import numpy as np
import pandas as pd
import scipy.stats as ss
df=pd.DataFrame({"A":ss.norm.rvs(size=10),"B":ss.norm.rvs(size=10),"C":ss.norm.rvs(size=10),"D":np.random.randint(low=0,high=2,size=10)})
df
from sklearn.svm import SVR 
from sklearn.tree import DecisionTreeRegressor
X=df.loc[:,["A","B","C"]]
Y=df.loc[:,["D"]]
from sklearn.feature_selection import SelectKBest,RFE,SelectFromModel

过滤思想

skb=SelectKBest(k=2)
skb.fit(X,Y)
skb.transform(X)

包裹思想

rfe=RFE(estimator=SVR(kernel="linear"),n_features_to_select=2,step=1)
rfe.fit_transform(X,Y)

嵌入思想

#threshold重要性低于多少,被去掉
sfm=SelectFromModel(estimator=DecisionTreeRegressor(),threshold=0.1)
sfm.fit_transform(X,Y)
#threshold重要性低于多少,被去掉
sfm=SelectFromModel(estimator=DecisionTreeRegressor(),threshold=0.01)
sfm.fit_transform(X,Y)

特征变化

离散化-分箱

import numpy as np
import pandas as pd
lst=[6,8,10,15,16,24,25,40,67]
#等深,按照个数分
pd.qcut(lst,q=3)
pd.qcut(lst,q=3,labels=["low","medium","high"])
#等宽,按照区间长度分
pd.cut(lst,bins=3)

归一化

from sklearn. preprocessing import MinMaxScaler,StandardScaler
MinMaxScaler().fit_transform(np.array([1,4,10,15,21]).reshape(-1,1))

标准化

StandardScaler().fit_transform(np.array([1,0,0,0,0,0,0,0]).reshape(-1,1))
StandardScaler().fit_transform(np.array([1,1,1,1,0,0,0,0]).reshape(-1,1))
from sklearn.preprocessing import LabelEncoder,OneHotEncoder
LabelEncoder().fit_transform(np.array(["Down","Up","","Down"]).reshape(-1,1))
LabelEncoder().fit_transform(np.array(["Low","Medium","High","Medium"]).reshape(-1,1))
lb_encoder=LabelEncoder()
lb_tran_f=lb_encoder.fit_transform(np.array(["red","blue","yellow","yellow","green"]))
oht_encoder=OneHotEncoder().fit(lb_tran_f.reshape(-1,1))
oht_encoder.transform(lb_encoder.transform(np.array(["red","blue","yellow","yellow","green"])).reshape(-1,1))
oht_encoder.transform(lb_encoder.transform(np.array(["red","blue","yellow","yellow","green"])).reshape(-1,1)).toarray()

正规化

from sklearn.preprocessing import Normalizer
Normalizer(norm="l1").fit_transform(np.array([1,1,3,-1,2]).reshape(-1,1))
#正规化是对行进行的
Normalizer(norm="l1").fit_transform(np.array([[1,1,3,-1,2]]).reshape(1,-1))

Normalizer(norm="l2").fit_transform(np.array([[1,1,3,-1,2]]).reshape(1,-1))

LDA

from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
X=np.array([[-1,-1],[-2,-1],[-3,-2],[1,1],[2,1],[3,2]]) 
Y=np.array([1,1,1,2,2,2])
LinearDiscriminantAnalysis(n_components=1).fit_transform(X,Y)

fisher 分类器

clf=LinearDiscriminantAnalysis(n_components=1).fit(X,Y)
clf.predict([[0.8,1]])

以hr数据为例

import pandas as pd 
import numpy as np
from sklearn.preprocessing import MinMaxScaler,StandardScaler 
from sklearn.preprocessing import LabelEncoder,OneHotEncoder
from sklearn.preprocessing import Normalizer
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.decomposition import PCA
#sl:false:minimaxscaler,true:standerdscalar
#le:last_evaluation,
#cr:False:LabelEncoding,True:OneHotEncoding
def hr_preprocessing(dn=False,ta=False,pn=False,hn=False,vol=False,risk=False,cr=False,lower_d=False,ld_n=1):
    df=pd.read_csv(r'C:\Users\wenxiaoyu_intern\Documents\用户画像\shengji.csv')
    #1.清洗数据
    df=df.fillna(0)
    #2.得到标注
    label=df["shengji_type"]
    df=df.drop("shengji_type",axis=1)
    
    #df=df[df["date_nums"<1000][df["vol"]>0]]
    #3.特征选择
    #4.特征处理
    scaler_lst=[dn,ta,pn,hn,vol,risk]
    column_list=["date_nums","total_amount","plan_nums","holding_plan_nums","vol","risk"]
    for i in range(len(scaler_lst)):
        if not scaler_lst[i]:
            df[column_list[i]]=\
            MinMaxScaler().fit_transform(df[column_list[i]].values.reshape(-1,1)).reshape(1,-1)[0]
        else:
            df[column_list[i]]=\
            StandardScaler().fit_transform(df[column_list[i]].values.reshape(-1,1)).reshape(1,-1)[0] 
    scaler_list=[cr]
    column_list=["client_rfm"]
    for i in range(len(scaler_list)):
        
        if not scaler_list[i]:
            if column_list[i]=="client_rfm":
                df[column_list[i]]=[map_client_rfm(s) for s in df["client_rfm"].values]
            else:
                df[column_list[i]]=\
                LabelEncoder().fit_transform(df[column_list[i]].values.reshape(-1,1)).reshape(1,-1)[0]
            df[column_list[i]]=\
            MinMaxScaler().fit_transform(df[column_list[i]].values.reshape(-1,1)).reshape(1,-1)[0]
        else:
            df=pd.get_dummies(df,columns=[column_list[0]])
    if lower_d:
        #return LinearDiscriminantAnalysis(n_components=ld_n)
        return PCA(n_components=ld_n).fit_transform(df.values),label
    return df,label
def map_client_rfm(s):
    return dict([("sleep",0),("lost",1),("decline",2),("normal",3),("active",4),("new",5),("vip",6)]).get(s,0)
hr_preprocessing(True,cr=True,lower_d=True,ld_n=4)
hr_preprocessing(True,cr=False)
df
  • 3
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值