python sklearn库_Python: sklearn库——数据预处理

Python: sklearn库 —— 数据预处理

数据集转换之预处理数据：

将输入的数据转化成机器学习算法可以使用的数据。包含特征提取和标准化。

原因：数据集的标准化(服从均值为0方差为1的标准正态分布(高斯分布))是大多数机器学习算法的常见要求。

如果原始数据不服从高斯分布，在预测时表现可能不好。在实践中，我们经常进行标准化(z-score 特征减去均值/标准差)。

一、标准化(Z-Score)，或者去除均值和方差缩放

公式为：(X-mean)/std  计算时对每个属性/每列分别进行。

将数据按期属性(按列进行)减去其均值，并处以其方差。得到的结果是，对于每个属性/每列来说所有数据都聚集在0附近，方差为1。

实现时，有两种不同的方式：

使用sklearn.preprocessing.scale()函数，可以直接将给定数据进行标准化。

>>> from sklearn importpreprocessing>>> importnumpy as np>>> X = np.array([[ 1., -1., 2.],

... [2., 0., 0.],

... [ 0.,1., -1.]])>>> X_scaled =preprocessing.scale(X)>>>X_scaled

array([[ 0. ...,-1.22..., 1.33...],

[1.22..., 0. ..., -0.26...],

[-1.22..., 1.22..., -1.06...]])>>>#处理后数据的均值和方差

>>> X_scaled.mean(axis=0)

array([ 0., 0., 0.])>>> X_scaled.std(axis=0)

array([1., 1., 1.])

使用sklearn.preprocessing.StandardScaler类，使用该类的好处在于可以保存训练集中的参数(均值、方差)直接使用其对象转换测试集数据。

>>> scaler =preprocessing.StandardScaler().fit(X)>>>scaler

StandardScaler(copy=True, with_mean=True, with_std=True)>>>scaler.mean_

array([1. ..., 0. ..., 0.33...])>>>scaler.std_

array([0.81..., 0.81..., 1.24...])>>>scaler.transform(X)

array([[ 0. ...,-1.22..., 1.33...],

[1.22..., 0. ..., -0.26...],

[-1.22..., 1.22..., -1.06...]])>>>#可以直接使用训练集对测试集数据进行转换

>>> scaler.transform([[-1., 1., 0.]])

array([[-2.44..., 1.22..., -0.26...]])

二、将属性缩放到一个指定范围

除了上述介绍的方法之外，另一种常用的方法是将属性缩放到一个指定的最大和最小值(通常是1-0)之间，这可以通过preprocessing.MinMaxScaler类实现。

使用这种方法的目的包括：

1、对于方差非常小的属性可以增强其稳定性。

2、维持稀疏矩阵中为0的条目。

>>> X_train = np.array([[ 1., -1., 2.],

... [2., 0., 0.],

... [ 0.,1., -1.]])

...>>> min_max_scaler =preprocessing.MinMaxScaler()>>> X_train_minmax =min_max_scaler.fit_transform(X_train)>>>X_train_minmax

array([[0.5 , 0. , 1. ],

[1. , 0.5 , 0.33333333],

[ 0. ,1. , 0. ]])>>> #将相同的缩放应用到测试集数据中

>>> X_test = np.array([[ -3., -1., 4.]])>>> X_test_minmax =min_max_scaler.transform(X_test)>>>X_test_minmax

array([[-1.5 , 0. , 1.66666667]])>>> #缩放因子等属性

>>>min_max_scaler.scale_

array([0.5 , 0.5 , 0.33...])>>>min_max_scaler.min_

array([ 0. ,0.5 , 0.33...])

当然，在构造类对象的时候也可以直接指定最大最小值的范围：feature_range=(min, max)，此时应用的公式变为：

X_std=(X-X.min(axis=0))/(X.max(axis=0)-X.min(axis=0))

X_scaled=X_std/(max-min)+min

三、正则化(Normalization)

正则化的过程是将每个样本缩放到单位范数(每个样本的范数为1)，如果后面要使用如二次型(点积)或者其它核方法计算两个样本之间的相似性这个方法会很有用。

Normalization主要思想是对每个样本计算其p-范数，然后对该样本中每个元素除以该范数，这样处理的结果是使得每个处理后样本的p-范数(l1-norm,l2-norm)等于1。

p-范数的计算公式：||X||p=(|x1|^p+|x2|^p+...+|xn|^p)^1/p

该方法主要应用于文本分类和聚类中。例如，对于两个TF-IDF向量的l2-norm进行点积，就可以得到这两个向量的余弦相似性。

1、可以使用preprocessing.normalize()函数对指定数据进行转换：

>>> X = [[ 1., -1., 2.],

... [2., 0., 0.],

... [ 0.,1., -1.]]>>> X_normalized = preprocessing.normalize(X, norm='l2')>>>X_normalized

array([[0.40..., -0.40..., 0.81...],

[1. ..., 0. ..., 0. ...],

[ 0. ...,0.70..., -0.70...]])

2、可以使用processing.Normalizer()类实现对训练集和测试集的拟合和转换：

>>> normalizer = preprocessing.Normalizer().fit(X) #fit does nothing

>>>normalizer

Normalizer(copy=True, norm='l2')>>>

>>>normalizer.transform(X)

array([[0.40..., -0.40..., 0.81...],

[1. ..., 0. ..., 0. ...],

[ 0. ...,0.70..., -0.70...]])>>> normalizer.transform([[-1., 1., 0.]])

array([[-0.70..., 0.70..., 0. ...]])