sklearn 神经网络_sklearn中的数据预处理和特征工程

小伙伴们大家好~o(￣▽￣)ブ，我是菜菜，我的开发环境是Jupyter lab，所用的库和版本大家参考：

Python 3.7.1(你的版本至少要3.4以上

Scikit-learn 0.20.0 (你的版本至少要0.19

Numpy 1.15.3, Pandas 0.23.4, Matplotlib 3.0.1, SciPy 1.1.0

1 sklearn中的数据预处理和特征工程

sklearn中包含众多数据预处理和特征工程相关的模块，虽然刚接触sklearn时，大家都会为其中包含的各种算法的广度深度所震惊，但其实sklearn六大板块中有两块都是关于数据预处理和特征工程的，两个板块互相交互，为建模之前的全部工程打下基础。

• 模块preprocessing：几乎包含数据预处理的所有内容
• 模块Impute：填补缺失值专用
• 模块feature_selection：包含特征选择的各种方法的实践
• 模块decomposition：包含降维算法

​

2 数据预处理 Preprocessing & Impute

2.1 数据无量纲化

在机器学习算法实践中，我们往往有着将不同规格的数据转换到同一规格，或不同分布的数据转换到某个特定分布的需求，这种需求统称为将数据“无量纲化”。譬如梯度和矩阵为核心的算法中，譬如逻辑回归，支持向量机，神经网络，无量纲化可以加快求解速度；而在距离类模型，譬如K近邻，K-Means聚类中，无量纲化可以帮我们提升模型精度，避免某一个取值范围特别大的特征对距离计算造成影响。(一个特例是决策树和树的集成算法们，对决策树我们不需要无量纲化，决策树可以把任意数据都处理得很好。)

数据的无量纲化可以是线性的，也可以是非线性的。线性的无量纲化包括中心化(Zero-centered或者Mean-subtraction)处理和缩放处理(Scale)。中心化的本质是让所有记录减去一个固定值，即让数据样本数据平移到某个位置。缩放的本质是通过除以一个固定值，将数据固定在某个范围之中，取对数也算是一种缩放处理。

• preprocessing.MinMaxScaler

当数据(x)按照最小值中心化后，再按极差(最大值 - 最小值)缩放，数据移动了最小值个单位，并且会被收敛到[0,1]之间，而这个过程，就叫做数据归一化(Normalization，又称Min-Max Scaling)。注意，Normalization是归一化，不是正则化，真正的正则化是regularization，不是数据预处理的一种手段。归一化之后的数据服从正态分布，公式如下：

在sklearn当中，我们使用preprocessing.MinMaxScaler来实现这个功能。MinMaxScaler有一个重要参数，feature_range，控制我们希望把数据压缩到的范围，默认是[0,1]。

from sklearn.preprocessing import MinMaxScaler​data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]​#不太熟悉numpy的小伙伴，能够判断data的结构吗？#如果换成表是什么样子？import pandas as pdpd.DataFrame(data)​#实现归一化scaler = MinMaxScaler() #实例化scaler = scaler.fit(data) #fit，在这里本质是生成min(x)和max(x)result = scaler.transform(data) #通过接口导出结果result​result_ = scaler.fit_transform(data) #训练和导出结果一步达成​scaler.inverse_transform(result) #将归一化后的结果逆转​#使用MinMaxScaler的参数feature_range实现将数据归一化到[0,1]以外的范围中​data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]scaler = MinMaxScaler(feature_range=[5,10]) #依然实例化result = scaler.fit_transform(data) #fit_transform一步导出结果result​#当X中的特征数量非常多的时候，fit会报错并表示，数据量太大了我计算不了#此时使用partial_fit作为训练接口#scaler = scaler.partial_fit(data)

BONUS: 使用numpy来实现归一化

import numpy as npX = np.array([[-1, 2], [-0.5, 6], [0, 10], [1, 18]])​#归一化X_nor = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))X_nor​#逆转归一化X_returned = X_nor * (X.max(axis=0) - X.min(axis=0)) + X.min(axis=0)X_returned

• preprocessing.StandardScaler

当数据(x)按均值(μ)中心化后，再按标准差(σ)缩放，数据就会服从为均值为0，方差为1的正态分布(即标准正态分布)，而这个过程，就叫做数据标准化(Standardization，又称Z-score normalization)，公式如下：

from sklearn.preprocessing import StandardScalerdata = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]​scaler = StandardScaler() #实例化scaler.fit(data) #fit，本质是生成均值和方差​scaler.mean_ #查看均值的属性mean_scaler.var_ #查看方差的属性var_​x_std = scaler.transform(data) #通过接口导出结果​x_std.mean() #导出的结果是一个数组，用mean()查看均值x_std.std() #用std()查看方差​scaler.fit_transform(data) #使用fit_transform(data)一步达成结果​scaler.inverse_transform(x_std) #使用inverse_transform逆转标准化

对于StandardScaler和MinMaxScaler来说，空值NaN会被当做是缺失值，在fit的时候忽略，在transform的时候保持缺失NaN的状态显示。并且，尽管去量纲化过程不是具体的算法，但在fit接口中，依然只允许导入至少二维数组，一维数组导入会报错。通常来说，我们输入的X会是我们的特征矩阵，现实案例中特征矩阵不太可能是一维所以不会存在这个问题。

• StandardScaler和MinMaxScaler选哪个？

看情况。大多数机器学习算法中，会选择StandardScaler来进行特征缩放，因为MinMaxScaler对异常值非常敏感。在PCA，聚类，逻辑回归，支持向量机，神经网络这些算法中，StandardScaler往往是最好的选择。

MinMaxScaler在不涉及距离度量、梯度、协方差计算以及数据需要被压缩到特定区间时使用广泛，比如数字图像处理中量化像素强度时，都会使用MinMaxScaler将数据压缩于[0,1]区间之中。

建议先试试看StandardScaler，效果不好换MinMaxScaler。

除了StandardScaler和MinMaxScaler之外，sklearn中也提供了各种其他缩放处理(中心化只需要一个pandas广播一下减去某个数就好了，因此sklearn不提供任何中心化功能)。比如，在希望压缩数据，却不影响数据的稀疏性时(不影响矩阵中取值为0的个数时)，我们会使用MaxAbsScaler；在异常值多，噪声非常大时，我们可能会选用分位数来无量纲化，此时使用RobustScaler。更多详情请参考以下列表。

2.2 缺失值

机器学习和数据挖掘中所使用的数据，永远不可能是完美的。很多特征，对于分析和建模来说意义非凡，但对于实际收集数据的人却不是如此，因此数据挖掘之中，常常会有重要的字段缺失值很多，但又不能舍弃字段的情况。因此，数据预处理中非常重要的一项就是处理缺失值。

import pandas as pddata = pd.read_csv(r"C:worklearnbettermicro-class week 3 PreprocessingNarrativedata.csv