目录
1、非数值类型数据处理
机器学习建模时处理的都是数值类型的数据，然而实际工作中我们获取的数据往往或有非数值类型的数据，其中最常见的就是文本类型的数据，例如性别中的“男”和“女”，这个可以在Excel中利用数字“1”来代表男生，“0”代表女生来进行处理，但如果类别多了之后我们该如何在Python中进行处理呢？本节就主要介绍两种常见的非数值类型的数据处理：Get_dummies哑变量处理以及Label Encoding编号处理。
（1）Get_dummies哑变量处理
哑变量也叫虚拟变量，构造取值为0或1的变量，上面提到的将性别中的“男”和“女”换成数字“1”和“0”就是哑变量最经典的应用，而在Python中我们通常利用get_dummies()函数来进行哑变量处理，它不仅可以处理“男”和“女”这种简单的只有两个分类的问题，还可以解决含有多个分类问题。
1、简单示例：“男”和“女”的数值转换
import pandas as pd
df = pd.DataFrame({'客户编号': [1, 2, 3], '性别': ['男', '女', '男']})
df此时获得的表格如下所示，其中性别栏中为“男”和“女”两个文字类型的数据
df = pd.get_dummies(df, columns=['性别'])
df
此时我们便可以通过get_dummies()函数来对文本类型的数据进行处理，代码如下，其中get_dummies()函数中的第一个参数为表格名称，第二个参数为需要处理的列的名称。
df = df.drop(columns='性别_女') 此时获得的新的df表格如下所示，可以看到原来的“性别”列变成了两列：“性别_女”和“性别_男”，这两列中的数字“1”表示的是符合列名，数字“0”表示的是不符合列名，例如用户2为女性，所以在“性别_女”这一列中的数字就是1，在“性别_男”这一列中的数字就是0。
此时我们已经将“男”和“女”这两个文本类型的数据转换成了数字了，不过此时我们还需要再做一个工作：删去其中一列，这是因为“性别_女”和“性别_男”这两列存在多重共线性，即知道其中一列，就能知道另一列的内容，可以通过如下的数学表达式来表达：
这样会导致多重共线性带来的一系列问题，因此通过drop()函数删去其中一列并通过rename()函数更换列名，代码如下：
df = df.drop(columns='性别_女')
df = df.rename(columns={'性别_男':'性别'})2、稍复杂点的案例：房屋朝向的数值转换
上面演示是只有两个类别的文本数据，这里我们再演示一个稍复杂点的案例：
import pandas as pd
df = pd.DataFrame({'房屋编号': [1, 2, 3, 4, 5], '朝向': ['东', '南', '西', '北', '南']})
df = pd.get_dummies(df, columns=['朝向'])
df = df.drop(columns='朝向_西') 3、Label Encoding编号处理
下面用Python简单演示如何对DataFrame中城市的这列分类变量进行转化，演示代码如下：
import pandas as pd
df = pd.DataFrame({'编号': [1, 2, 3, 4, 5], '城市': ['北京', '上海', '广州', '深圳', '北京']})
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
label = le.fit_transform(df['城市'])
df['城市'] = label"北京"被转化成数值1，"上海"转化成数值0，"广州"转化成数值2，"深圳"转化成数值3, df显示结果如下：
4、pandas库中的replace()函数
Label Encoding生成的数字是随机的，如果想按特定内容进行替换，可以采用replace()函数，其实这个对于建模效果不会有太大的影响，这里作为一个补充知识点给感兴趣的读者讲解一下，数据还是用之前演示的数据。
通过value_counts()函数查看该列有哪些内容需要替换,代码如下：
df['城市'].value_counts()value_counts()函数可以统计非重复项出现的次数，因此也可以方便的看到非重复内容，几个如下：
需要替换的就是“北京”、“上海”、“深圳”、“广州”这4个词，通过replace()函数进行替换，这里我们按“北上广深”的顺序来进行数字编码，代码如下：
df['城市'] = df['城市'].replace({'北京': 0, '上海': 1, '广州': 2, '深圳':3})
df
2、重复值、缺失值及异常值处理
这里首先创建一个含有重复值的DataFrame，代码如下：
data = pd.DataFrame([[1, 2, 3], [1, 2, 3], [4, 5, 6]], columns=['c1', 'c2', 'c3'])此时的data二维列表如下所示，可以看到第一行和第二行是重复的。
如果数据量较大，我们可以通过duplicated()函数来查询重复的内容，代码如下：
data[data.duplicated()]将其打印输出，结果如下，可以看到它已经将重复的第二行筛选出来了。
想统计重复行的数量，可以通过sum()函数进行查看，代码如下，本案例结果为1。
data.duplicated().sum()通过drop_duplicates()函数删除重复行，代码如下：
data = data.drop_duplicates()如果想按列进行去重，比如说如果c1列出现相同的内容，就把那行代码删掉，可以采用如下代码。这样的筛选条件则不如之前要全部一样才删除严格。
data = data.drop_duplicates('c1')注意：drop_duplicates()函数并不改变原表格结构，所以需要进行重新赋值，或者在其中设置inplace参数为True。运行结果如下，此时已经将重复的那行删去了。
这里先构造一个含有缺失值的DataFrame，代码如下：
import numpy as np
data = pd.DataFrame([[1, np.nan, 3], [np.nan, 2, np.nan], [1, np.nan, 0]], columns=['c1', 'c2', 'c3'])这里引用Numpy库来构造缺失值或者说空值，其中np.nan就是代表空值，运行效果如下：
可以用isnull()函数或isna()函数（两者作用类似）来查看空值，代码如下：
data.isnull()打印输出如下，isnull()其实就是询问是否是空值，是空值就被赋予成True，否则为False。
单列查看缺失值情况，代码如下：
data[data['c1'].isnull()]输出结果如下，可以看到对于c1列，第二行的内容是空值。
0 False
1 True
2 False
Name: c1, dtype: bool对于空值有两种常见的处理方式：删除空值和填补空值。通过dropna()函数可以删除空值，代码如下：
data[data['c1'].isnull()]这种写法是只要含有空值，该行就会被删除。运行结果如下，因为每行都有空值，所以都被删除了。
如果觉得该删除方法过于激进，可以设置thresh参数，比如将其设置为n，那么其含义是如果该行的非空值少于n个则删除该行，演示代码如下：
a = data.dropna(thresh=2)运行结果如下：
通过fillna()函数可以填补空值，这里采用的是均值填充法，通过每一列的均值对该列的空值进行填充，也可以把其中的data.mean()换成data.meian()则变为中位数填充。
b = data.fillna(data.mean())运行结果如下：
此处method='pad'代表用缺失值所在列的前一个值填充，如果前一个值不存在或也缺失，则结果不变。运行结果如下：
c = data.fillna(method='pad')运行结果如下：
fillna()函数还可以设置参数limit来限制每列能替换的缺失值个数。若使用limit=1，用法如下：
d = data.fillna(method='backfill')
e = data.fillna(method='bfill')
这里先构造一个含有异常值的数据集：
data = pd.DataFrame({'c1': [3, 10, 5, 7, 1, 9, 69], 'c2': [15, 16, 14, 100, 19, 11, 8], 'c3': [20, 15, 18, 21, 120, 27, 29]}, columns=['c1', 'c2', 'c3'])
data运行效果如下：
以下的数据框为例，可以看到第一列的数字69，第二列的数字100，第三列的数字120为比较明显的异常值，那么该如何利用Python来进行异常值的检测呢？下面我们主要通过两种方法来进行检测：利用箱体图观察和利用标准差检测。
箱型图是一种用作显示一组数据分散情况资料的统计图，可以通过设定标准将大于或小于箱型图上下界的数值识别为异常值。
在Python中我们可以通过DataFrame的boxplot()方法绘制箱型图，代码如下：
data.boxplot() 
当数据服从正态分布时，99%的数值应该位于距离均值3个标准差之内的距离，95%的数值应该位于距离均值2个标准差之内的距离。因为3个标准差过于严格，此处我们将阈值设定为2即可，即认为当数值与均值距离超出2个标准差，则可以认为它是异常值。
根据标准差检测异常值的代码如下：
a = pd.DataFrame()
for i in data.columns:
z = (data[i] - data[i].mean()) / data[i].std()
a[i] = abs(z) > 2第4行代码进行逻辑判断，如果Z-score后的数值大于标准正态分布的标准差1的2倍，那么改数据为异常值，返回布尔值True，否则返回布尔值False。
3、数据标准化
（1）min-max标准化
min-max标准化（Min-Max Normalization）也称离差标准化，它利用原始数据的最大最小值把原始数据转换到[0,1]区间内，转换函数如下：
min-max标准化代码：
import pandas as pd
X = pd.DataFrame({'酒精含量(%)': [50, 60, 40, 80, 90], '苹果酸含量(%)': [2, 1, 1, 3, 2]})
y = [0, 0, 0, 1, 1]
from sklearn.preprocessing import MinMaxScaler
X_new = MinMaxScaler().fit_transform(X)
（2）Z-score标准化
Z-score标准化(mean normaliztion)也称均值归一化，通过原始数据的均值（mean）和标准差（standard deviation）对数据进行归一化。归一化后的数据符合标准正态分布，即均值为0，标准差为1。转化函数为：
Z-score标准化标准化代码：
from sklearn.preprocessing import StandardScaler
X_new = StandardScaler().fit_transform(X)
4、数据分箱
实际应用中等宽分箱应用相对较多，下面便讲解如何在Python中根据年龄进行等宽分箱：
import pandas as pd
data = pd.DataFrame([[22,1],[25,1],[20,0],[35,0],[32,1],[38,0],[50,0],[46,1]], columns=['年龄', '是否违约'])
data_cut = pd.cut(data['年龄'], 3)
print(data_cut)此时的data_cut如下所示：
1 (19.97, 30.0]
2 (19.97, 30.0]
3 (30.0, 40.0]
4 (30.0, 40.0]
5 (30.0, 40.0]
6 (40.0, 50.0]
7 (40.0, 50.0]
Name: 年龄, dtype: category
Categories (3, interval[float64]): [(19.97, 30.0] < (30.0, 40.0] < (40.0, 50.0]]
通过groupby()函数进行分组，count()函数，进行计数可以获取每个分箱中的样本数目，代码如下：
data['年龄'].groupby(data_cut).count()其打印结果如下所示：
年龄
(19.97, 30.0] 3
(30.0, 40.0] 3
(40.0, 50.0] 2
Name: 年龄, dtype: int645、特征筛选：WOE值与IV值
（1）WOE值的定义
WOE的全称是“Weight of Evidence”，即证据权重，其反映了某一特征的特征区分度，要计算一个变量的WOE值，需要首先把这个变量进行11.4节提到的分箱处理。分箱后，对于第i组分箱内的数据，该分箱中的WOE值的计算公式如下：
演示数据如下：
对上面的数据进行分箱，并分别计算每个分箱中对应的WOEi值，最终整理表格如下表所示：
这里简单说明下第一个分箱中的计算过程，计算过程如下图所示，对于年龄在20-30之间的人来说:
（2）IV值的定义与演示
在进行特征筛选的时候，IV值能较好的反应特征变量的预测能力，特征变量对于预测结果做出的贡献越大，它的价值就越大，相对应的IV值越大，因此根据IV值的大小，我们便能筛选出所需要的特征变量。在计算特征变量的IV值前，需要首先计算各个分箱的IV值，各个分箱的IV值的计算公式如下所示：
使用上一节用到的年龄和违约的相关数据，我们先来计算各个分箱中的IV值，如下所示：
各个分箱的IV值后，我们就可以“年龄”这一特征变量的IV值，如下所示：
（3）WOE值与IV值的代码实现
1、数据分箱
import pandas as pd
data = pd.DataFrame([[22,1],[25,1],[20,0],[35,0],[32,1],[38,0],[50,0],[46,1]], columns=['年龄', '是否违约'])
data_cut = pd.cut(data['年龄'], 3)
data_cut2、统计各个分箱样本总数、坏样本数和好样本数
过如下代码可以统计分箱后各个分箱中的人数情况：
# 统计总客户数
cut_group_all = data['是否违约'].groupby(data_cut).count()
# 统计违约客户
cut_y = data['是否违约'].groupby(data_cut).sum()
# 统计未违约客户
cut_n = cut_group_all - cut_y
df = pd.DataFrame() # 创建一个空DataFrame用来汇总数据
df['总数'] = cut_group_all
df['坏样本'] = cut_y
df['好样本'] = cut_n
df此时获取的df如下图所示：
3、统计各分箱中坏样本比率和好样本比率
计算各分箱中坏样本比率和好样本比率:
df['坏样本%'] = df['坏样本'] / df['坏样本'].sum()
df['好样本%'] = df['好样本'] / df['好样本'].sum()
df
4、计算WOE值
算WOE值了，代码如下：
import numpy as np
df['WOE'] = np.log(df['坏样本%'] / df['好样本%'])
df这时我们加了第三行是应为我们不希望WOE值出现无穷大，解决办法是当WOE值为无穷大时，将它替换为0。
5、计算IV值
算IV值，代码如下：
df['IV'] = df['WOE'] * (df['坏样本%'] - df['好样本%'])获得的df如下所示：
我们就可以通过公式计算“年龄”这一特征变量的IV值，代码如下：
iv = df['IV'].sum()（4）案例：客户流失预警模型的IV值计算
为了更具有通用性，我们将上一节的代码稍作改变，写成如下函数的形式，该函数共有4个参数：data（原始数据集）、cut_num（数据分箱步骤中，需要分箱的个数）、feature（需要计算IV值的特征变量名称）、target（目标变量名称），有了这个函数之后，任意一个数据集，我们都能够方便地计算各个数据集的特征变量的IV值了。
import pandas as pd
import numpy as np
def cal_iv(data, cut_num, feature, target):
# 1.数据分箱
data_cut = pd.cut(data[feature], cut_num)
# 2.统计各个分箱样本总数、坏样本数和好样本数
cut_group_all = data[target].groupby(data_cut).count() # 总客户数
cut_y = data[target].groupby(data_cut).sum() # 坏样本数
cut_n = cut_group_all - cut_y # 好样本数
# 汇总基础数据
df = pd.DataFrame() # 创建一个空DataFrame用来汇总数据
df['总数'] = cut_group_all
df['坏样本'] = cut_y
df['好样本'] = cut_n
# 3.统计坏样本%和好样本%
df['坏样本%'] = df['坏样本'] / df['坏样本'].sum()
df['好样本%'] = df['好样本'] / df['好样本'].sum()
# 4.计算WOE值
df['WOE'] = np.log(df['坏样本%'] / df['好样本%'])
df = df.replace({'WOE': {np.inf: 0, -np.inf: 0}})
# 5.计算各个分箱的IV值
df['IV'] = df['WOE'] * (df['坏样本%'] - df['好样本%'])
# 6.汇总各个分箱的IV值，获得特征变量的IV值
iv = df['IV'].sum()
print(iv)有了上面的自动计算IV值的函数后，通过如下代码来读取客户流失预警模型中的相关数据：
data = pd.read_excel('股票客户流失.xlsx')此时的data如下图所示，其中“是否流失”列为目标变量，其余列则为特征变量：
通过for循环，我们可以快速获得所有特征变量的IV值，代码如下：
for i in data.columns[:-1]:
print(i + '的IV值为：')
cal_iv(data, 4, i, '是否流失')最终打印结果如下所示：
账户资金（元）的IV值为：
0.15205722409339645
最后一次交易距今时间（天）的IV值为：
0.2508468300174099
上月交易佣金（元）的IV值为：
0.30811632146662304
本券商使用时长（年）的IV值为：
0.6144219248359752
扫一扫
2097
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
