在上一节中的泰坦尼克号入门案例的数据预处理过程中,出现了数据不完整、数据的编码(数值转化),即将非结构化文本转化为结构化文本。本文主要用来记录在sklearn
中常用的数据预处理基本方法。
数据预处理
从数据中检测,纠正或删除损坏,不准确或不适用于模型的记录的过程。
可能面对的问题有:数据类型不同,比如有的是文字,有的是数字,有的含时间序列,有的连续,有的间断。也可能,数据的质量不行,有噪声,有异常,有缺失,数据出错,量纲不一,有重复,数据是偏态,数据量太大或太小。
目的:让数据适应模型,匹配模型的需求。
1. 数据无量纲化
在机器学习算法实践中,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”。
数据的无量纲化包括线性与非线性。其中线性的无量纲化包括:中心化(Zero-centered或Mean-subtraction)处理和缩放处理(Scale)。
-
中心化
让所有记录减去一个固定值,即让数据的样本数据平移到某个位置。
-
缩放处理
通过除以一个固定值,将数据固定在某个范围之中,通常采用取对数的方式。
1.1 数据归一化
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-MaxScaling)。公式如下:
x = x ∗ − m i n ( x ) m a x ( x ) − m i n ( x ) x={x^*-min(x)\over max(x)-min(x)} x=max(x)−min(x)x∗−min(x)
在sklearn
中通过preprocessing.MinMaxScaler
实现此功能。其中,feature_range
可以控制数据压缩的范围,默认为[0,1]。
from sklearn.preprocessing import MinMaxScaler
import pandas as pd
data = [[-1,2],[-0.5,6],[0,10],[1,18]]
pd.DataFrame(data)
# 实现归一化
scaler = MinMaxScaler() # 实例化
scaler = scaler.fit(data) # 生成min(x),max(x)
result = scaler.transform(data) # 导出结果
结果输出:
array([[0. , 0. ],
[0.25, 0.25],
[0.5 , 0.5 ],
[1. , 1. ]])
将所有的数据压缩至[0,1]之间。
scaler.inverse_transform(result) #逆转结果
Out:
array([[-1. , 2. ],
[-0.5, 6. ],
[ 0. , 10. ],
[ 1. , 18. ]])
采用feature_range
将数据范围压缩至[0,5]之间。
# 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]) # 实例化归一化到5~10之间
result = scaler.fit_transform(data)
result
Out:
array([[ 5. , 5. ],
[ 6.25, 6.25],
[ 7.5 , 7.5