特征预处理
通过特定的统计方法(数学方法)将数据转化成算法要求的数据
数值型数据
- 标准缩放:
- 1.归一化
- 2.标准化
- 3.缺失值
类别型数据
- one-hot 编码
- 关于one-hot编码:https://blog.csdn.net/weixin_43170863/article/details/100184168
时间类型
- 时间的切分
sklearn特征处理API
- sklearn.preprocessing
归一化
-
特点:通过对原始数据进行变换把数据映射到(默认为[0,1])之间
-
公式:
X = Xnorm*(mx-mi)+mi -
注:作用于每一列,max为一列的最大值,min为一列的最小值,X为最终结果,mx,mi分别为指定区间值默认mx为1,mi为0
-
缺点:在特定场景下最大值最小值是变化的,另外,最大值与最小值非常容易受异常点影响,所以这种方法鲁棒性较差,只适合传统精确小数据场景。
-
鲁棒性----反应产品的稳定性
sklearn归一化API
sklearn.preprocessing.MinMaxScalar
MinMaxScalar(feature_range=(0,1))...
- 每个特征缩放到给定范围
MinMaxScalar.fit_transform(X)
- X:numpy array格式的数据[n_samples,n_features]
- 返回值:转换后的形状相同的array
def guiyi():
"""
归一化处理
:return:None
"""
array1 = [[100,4,15,45],[63,41,25,34],[34,31,130,34]]
# 实例化
mm = MinMaxScaler(feature_range=(2,4))
data = mm.fit_transform(array1)
print(data)
return None
标准化
- 特点:通过对原始数据进行变换把数据变换到均值为0,标准差为1范围内
- 公式
- 注:作用于每一列,Xmean为平均值,S为标准差
- 优点:如果出现异常点,由于具有一定数据量,少量的异常点对于平均值的影响并不大,从而方差改变较小。
- 在已有样本足够多的情况下比较稳定,适合现代嘈杂大数据场景。
sklearn标准化API
sklearn.preprocessing.StandardScaler
- 处理后每列来说所有数据都聚集在均值0附近标准差为1
StandardScaler.fit_transform(X)
StandardScaler.mean_
原始数据中每列特征的平均值StandardScaler.std_
原始数据每列特征的方差
def stand():
"""
标准化缩放
:return: None
"""
list1 = [[4,-1,3],[1,-4,2],[6,6,-1]]
std = StandardScaler()
data = std.fit_transform(list1)
print(data)
print(std.mean_)
print(std.scale_)
return NaN
处理缺失值
- 删除
- 插补:添补平均值或中位数
- sklearn缺失值API
sklearn.preprocessing.Imputer
Imputer(missing_values='NaN',strategy='mean',axis=0)
def im():
"""
缺失值处理
:return: None
"""
im = Imputer(missing_values='NaN',strategy='mean',axis=0)
data = im.fit_transform([[1,2],[np.nan,3],[4,5]])
print(data)
return None