Python机器学习：数据预处理与清洗的打开方式

Python机器学习：数据预处理与清洗的打开方式

目录

1. 📊 数据采集与存储
   • 使用Pandas读取数据（CSV、Excel、数据库）
2. 🧹 数据清洗
   • 处理缺失值（填充、删除）
   • 异常值检测与处理
3. ⚙️ 特征工程
   • 特征选择（相关性分析、方差阈值）
   • 特征缩放（标准化、归一化）
   • 类别变量编码（独热编码、标签编码）

---

1. 📊 数据采集与存储

在机器学习的过程中，数据是核心要素。数据采集和存储是数据预处理的重要步骤。Python中的Pandas库提供了多种读取数据的方式，包括CSV、Excel以及数据库等，能够高效地处理各种格式的数据。

使用Pandas读取数据（CSV、Excel、数据库）

首先，CSV（逗号分隔值）文件是一种常见的数据存储格式，通常用于存储结构化数据。通过Pandas的read_csv函数，可以快速加载CSV文件中的数据。

import pandas as pd

# 读取CSV文件
df_csv = pd.read_csv('data.csv')

# 查看数据的前五行
print(df_csv.head())

在读取CSV文件时，Pandas还支持多种参数设置，例如指定分隔符、处理缺失值等，用户可以根据需求进行调整。

对于Excel文件，Pandas提供了read_excel函数，能够直接读取指定工作表的数据。这使得处理Excel文件变得十分方便。

# 读取Excel文件
df_excel = pd.read_excel('data.xlsx', sheet_name='Sheet1')

# 查看数据的前五行
print(df_excel.head())

此外，Pandas也可以连接到数据库，读取数据。例如，使用SQLAlchemy库与SQLite数据库进行连接，可以使用read_sql函数直接查询数据。

from sqlalchemy import create_engine

# 创建数据库连接
engine = create_engine('sqlite:///database.db')

# 读取数据库中的数据
df_sql = pd.read_sql('SELECT * FROM table_name', con=engine)

# 查看数据的前五行
print(df_sql.head())

通过上述方式，Pandas提供了强大的数据读取能力，为后续的数据清洗与处理奠定基础。

2. 🧹 数据清洗

数据清洗是机器学习流程中必不可少的环节，其主要目标是确保数据的质量与一致性。这包括处理缺失值、检测与处理异常值等。

处理缺失值（填充、删除）

缺失值是数据集中常见的问题，它可能导致模型性能下降或错误。Pandas提供了灵活的方式来处理缺失值，包括填充和删除。

使用isnull方法可以快速识别缺失值。接下来，可以选择使用fillna进行填充或dropna进行删除。

# 检查缺失值
print(df.isnull().sum())

# 填充缺失值
df_filled = df.fillna(df.mean())  # 用均值填充

# 删除包含缺失值的行
df_dropped = df.dropna()

选择填充还是删除取决于具体场景。如果数据缺失较少且随机分布，删除可能是可行的。但如果缺失值较多，填充可能是更好的选择。

异常值检测与处理

异常值是指明显偏离其他数据点的观测值，这些值可能源自测量误差或数据录入错误。检测异常值的常用方法是使用IQR（四分位距）或Z-score。

# 计算IQR
Q1 = df['column'].quantile(0.25)
Q3 = df['column'].quantile(0.75)
IQR = Q3 - Q1

# 定义异常值的上下限
lower_bound = Q1 - 1.5 * IQR
upper_bound = Q3 + 1.5 * IQR

# 筛选异常值
outliers = df[(df['column'] < lower_bound) | (df['column'] > upper_bound)]

处理异常值的方式可以是将其删除、替换或进行修正，具体策略应根据数据集的特征和分析目标而定。

3. ⚙️ 特征工程

特征工程是在机器学习中极为关键的步骤，它直接影响模型的性能。特征工程主要包括特征选择、特征缩放和类别变量编码。

特征选择（相关性分析、方差阈值）

特征选择的目的是选择对模型性能贡献最大的特征。相关性分析是常用的特征选择方法之一，可以通过计算特征之间的相关性来判断其重要性。

# 计算相关性矩阵
correlation_matrix = df.corr()

# 可视化相关性矩阵
import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize=(10, 8))
sns.heatmap(correlation_matrix, annot=True, fmt=".2f", cmap='coolwarm')
plt.show()

此外，方差阈值也可以用来选择特征。特征的方差过小可能意味着该特征对模型贡献不大，因此可以考虑去除。

from sklearn.feature_selection import VarianceThreshold

# 设置方差阈值
selector = VarianceThreshold(threshold=0.1)  # 方差小于0.1的特征将被移除
df_reduced = selector.fit_transform(df)

特征缩放（标准化、归一化）

特征缩放是对特征值进行调整，使其处于相似的范围内。这在许多机器学习算法中是必要的，尤其是基于距离的算法，如KNN和SVM。

标准化是将特征值转换为均值为0，标准差为1的分布。可以使用StandardScaler实现：

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
df_standardized = scaler.fit_transform(df)

归一化是将特征值缩放到[0, 1]区间，适用于特征值范围差异较大的情况。可以使用MinMaxScaler实现：

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
df_normalized = scaler.fit_transform(df)

类别变量编码（独热编码、标签编码）

在机器学习中，模型通常不能直接处理分类数据，因此需要将其编码。标签编码是将类别值转换为整数，而独热编码则将每个类别转换为二进制向量。

# 标签编码
from sklearn.preprocessing import LabelEncoder

label_encoder = LabelEncoder()
df['category_encoded'] = label_encoder.fit_transform(df['category'])

# 独热编码
df_onehot = pd.get_dummies(df, columns=['category'], drop_first=True)

通过以上方法，可以有效地对数据进行预处理与清洗，为后续的机器学习建模提供高质量的数据支持。