数据特征和预处理
1.特征处理的方法
2.sklearn特征预处理API
特征处理是什么?
通过特定的统计方法(数学方法)将数据转换成算法要求的数据
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
时间类型:时间的切分
one hot 热编码
one-hot编码 - 热编码 为每个类别生成一个布尔列,这些列中只有一列可以为每个样本取值1,因此,术语一个热编码
归一化
- 使得某一个特征对最终结果不会造成更大的影响
- 缺点:异常点对最大值最小值影响太大
api:sklearn.preprocessing.MinMaxScaler
MinMaxScalar(feature_range=(0,1)…)
每个特征缩放到给定范围(默认[0,1])
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
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’ = (x-min) / (max-min)
x’’ = x’ * (ma-mi) + mi
注意:作用于每一列,max为一列的最大值,min为一列的最小值,那么x’'为最终结果,mx和mi分别为指定区间值默认mx为1,mi为0
- 注意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(稳健性)较差,只适合传统精确小数据场景。
代码实现
from sklearn.preprocessing import MinMaxScaler
# 实例化 默认[0,1] 可用feature_range指定
mm = MinMaxScaler(feature_range=(2,3))
data = mm.fit_transform([[90,2,10,40],[60,4,15,45],[75,3,13,46]])
print(data)
代码结果
[[3. 2. 2. 2. ]
[2. 3. 3. 2.83333333]
[2.5 2.5 2.6 3. ]]
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:
X’= (x-mean)/σ
注:作用与每一列,mean为平均值,σ为标准差
var为方差
var = (x1-mean)2+(x2-mean)2 + …/n(每个特征的样本数) σ=√var 方差:考量数据的稳定性
标准化API
-
sklearn标准化API: scikit-learn.preprocessing.StandardScaler
-
StandardScaler(…)
处理之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,y)
-
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
-
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
-
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。
代码实现
from sklearn.preprocessing import StandardScaler
# 实例化
st = StandardScaler()
# 标准化
data = st.fit_transform([[ 1., -1., 3.],[ 2., 4., 2.],[ 4., 6., -1.]])
print("标准化",data)
print("平均值",st.mean_)
代码结果
标准化 [[-1.06904497 -1.35873244 0.98058068]
[-0.26726124 0.33968311 0.39223227]
[ 1.33630621 1.01904933 -1.37281295]]
平均值 [2.33333333 3. 1.33333333]
结合归一化谈标准化
- 对于归一化来说:如果出现异常点,影响了最大值和最小值,那么结果显然会发生改变
- 对于标准化来说: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。
缺失值
-
删除
如果每列或者行数据缺失值达到一定的比例,建议放弃整行或者整列
-
插补
可以通过缺失值每行或者每列的平均值、中位数来填充
-
sklearn缺失值API:
sklearn.preprocessing.Imputer
Imputer(missing_values=‘NaN’, strategy=‘mean’, axis=0)
完成缺失值插补
-
Imputer.fit_transform(X,y)
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
代码实现
# 缺失值处理
import numpy as np
from sklearn.impute import SimpleImputer
imp_mean = SimpleImputer(missing_values=np.nan, strategy='mean')
x = [[7, 2, 3], [4, np.nan, 6], [10, 5, 9]]
data = [[np.nan, 2, 3], [4, np.nan, 6], [10, np.nan, 9]]
Fit = imp_mean.fit(x)
new_data = imp_mean.transform(data)
print(Fit)
print(data)
print(new_data)
代码结果
SimpleImputer()
[[nan, 2, 3], [4, nan, 6], [10, nan, 9]]
[[ 7. 2. 3. ]
[ 4. 3.5 6. ]
[10. 3.5 9. ]]