数据预处理

数据预处理

1.非数值型数据处理

机器学习建模的时候处理的数据都是数值类型，然而实际生活中我们通常获取的数据往往会包含非数值型的数据，最常见的就是文本类型的数据。例如：“男和女”，处理时可以用查找、替换的思路，将文本转换为数值1和0。但是如果类别很多，不止有2个怎么办呢？有两个方法————Get_dummies 哑变量处理和 LabelEncoding 编号处理。

1.1Get_dummies哑变量处理

哑变量又叫虚拟变量，通常取值0和1。

# 例子：
import pandas as pd
df = pd.DataFrame({'客户编号':[1, 2, 3],
                  '性别':['男','女','男']})
# 将性别列变为哑变量
df = pd.get_dummies(df,columns=['性别'])
df

“性别"已经变为"性别_女”,“性别_男”，数字1表示符合列名，数字0表示不符合列名。例如，第二行的客户为女性，所以在"性别_女"列中的数字是1，在"性别_男"列中的数字是0。

虽然现在已经将文本类型的数据转化为数字，但是"性别_女"和"性别_男"这两列存在多重共线性，也就是当你知道其中一列的内容，另一列的内容也就知道了，用公式来表示就是：“性别_女”=1-“性别_男”；多重共线性会带来很多问题，所以我们要删去其中一列。

# 删去一列
df = df.drop(columns='性别_女')
# 重命名
df = df.rename(columns={'性别_男':'性别'})
df

复杂点的例子：

# 复杂点的例子：
import pandas as pd
df = pd.DataFrame({'房子编号':[1, 2, 3, 4, 5],
                  '朝向':['东', '南', '西', '北', '南']})
df = pd.get_dummies(df, columns=['朝向'])
df

上面数据也存在多重共线性，即知道3个朝向的数字就能判断第4个朝向的数字是0还是1，所以可以删去1个哑变量，假设删去"朝向_西"

df = df.drop(columns=['朝向_西'])
df

构造了哑变量容易产生高维数据，所以通常和 PCA(主成分分析)一起使用，也就是先构造哑变量产生高维数据然后采用PCA进行降维。

1.2LabelEncoding编号处理

除了使用 get_dummies()函数进行非数值类型数据处理外，还可以使用 LabelEncoding 进行编号处理，也就是使用 LabelEncoding()函数将文本类型的数据转换为数字。

# 例子：
df = pd.DataFrame({'编号':[1, 2, 3, 4, 5],
                  '城市':['北京', '上海', '广州', '深圳', '北京']})
df

# 将"城市"列文本转化为不同的数字
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
label = le.fit_transform(df['城市'])
label

# 可以看到 北京 变为 1， 上海 变为 0， 广州 变为 2，深圳 变为 3
df['城市'] = label
df

上面使用 LabelEncoding处理后产生了一个奇怪的现象，就是上海和广州的平均值是北京，然而这个是没有啥现实意义的，这也是LabelEncoding的一个缺点，可能产生一些没有意义的关系。不过对于 树模型(如决策树、随机森林、XGBoost等集成算法)能很好处理这种转换，所以对于树模型来说这并不会影响结果。

LabelEncoding()函数生成的数字是随机的，如果想按照特定的内容进行替换，可以使用replace()函数，这两种处理方式对于建模来说并不会有太大影响。

# 例子：
df = pd.DataFrame({'编号':[1, 2, 3, 4, 5],
                  '城市':['北京', '上海', '广州', '深圳', '北京']})
df

# 先看看各个值出现的次数
df['城市'].value_counts()

# 用replace()进行替换
df['城市'] = df['城市'].replace({'北京': 0, '上海': 1, '广州': 2, '深圳': 3})
df

LabelEncoding()函数是对文本内容随机编号，而replace()函数可以将文本内容替换成自己定义的值，不过当分类较多时，还需要用 value_counts()函数获取各类的名称，而且步骤稍微繁琐。

总的来说，Get_dummies的优点是它的值只有0和1，缺点是类别的数量很多时，特征维度会很高，需要进行降维。如果数量不多，可以优先考虑使用Get_dummies，其次考虑使用LabelEncoding或者replace函数；但是如果是基于树模型的机器学习模型，用LabelEncoding也没有太大关系。

2.重复值、缺失值及异常值处理

在数据的录入和处理过程中，不可避免会产生重复值、缺失值以及异常值，下面将介绍如何处理重复值、缺失值及异常值。

2.1重复值处理

import pandas as pd
data = pd.DataFrame([[1,2,3],[1,2,3],[4,5,6]],columns=['c1','c2','c3'])
print(data)

可以看到第一行和第二行是重复的，可以用 duplicated()查询重复的内容

data[data.duplicated()]

# 计算重复的数量
data.duplicated().sum()
# 删除重复的行
data = data.drop_duplicates()
data

注意上面删除了重复的行之后，并没有改变原表的结构，所以drop_duplicates()函数并不会改变原表的结构，所以需要重新赋值

import pandas as pd
data = pd.DataFrame([[1,2,3],[1,2,3],[4,5,6]],columns=['c1','c2','c3'])
# 对‘c1’列出现重复的内容进行去重操作，这样是会删除掉一行的数据
# 这样的去重方法不如上面的去重方法(全部一样才去重)严格
data = data.drop_duplicates('c1')
data

2.2缺失值处理

# 例子
import numpy as np
import pandas as pd
data = pd.DataFrame([[1, np.nan, 3],
                    [np.nan, 2, np.nan],
                    [1, np.nan, 0]], columns=['c1', 'c2', 'c3'])
data

# 可以使用 isnull()函数或者 isna() 函数来查看空值
data.isnull()
# 对单列查看空值
data['c1'].isnull()

# 如果数据量较大，可以通过如下代码筛选出某列中内容为空值的行
# 这里筛选出 c1列有空值的行，也就是第二行
data[data['c1'].isnull()]

data.isna()

# 对于空值的处理方式有两种，一种是删除空值，一种的填补空值
# 删除空值
# 下面这种方法比较激进，只要是含有空值的行都会被删除，因为每行都有空值，所以都删除了
a = data.dropna()
a

# 也可以对上述函数设置 thresh 参数，例如将其设置为 n ,表示如果一行中的非空值少于 n 个则删除该行
# 这里表示：如果一行中的 非空值 少于 2 个则删除改行，而第一行和第三行都有2个非空值，所以保留了
a = data.dropna(thresh=2)
a

# 用 fillna() 可以填补空值
# 这里采用的是 均值填补法，也就是把每一列的均值填补到该列的空值中，也可以用其它替换比如 中位数
b = data.fillna(data.mean())
b

c = data.fillna(data.median())
c

# 也可以用空值上方或者下方的值来替换空值
# 这里的 pad 表示用空值上方的值对空值进行替换，如果上方不存在或者也是空值，则不替换
c = data.fillna(method='pad')
c

# 这里是用下方的值填补空值， bfill 和 backfill 都可以
d = data.fillna(method='backfill')
d

2.3异常值处理

# 例子：
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

可以看到很明显 c1 列中 69，c2 列中 100，c3 列中 120 都是很明显的异常值。我们可以利用箱体图和标准差来进行异常值检测，箱线图有5条横线，自上往下分别为：上界、上四分位数、中位数、下四分位数、下界，在上下界之外的都是异常值。

下四分位数记为 $Q_1$ 表示样本中仅有 $25\%$ 的数据小于 $Q_1$ ，

上四分位数记为 $Q_3$ 表示样本中仅有 $25\%$ 的数据大于 $Q_3$ ，

上四分位数和下四分位数的差记为：$IQR=Q_3-Q_1$，

上界为$Q_3+1.5\times IQR$，

下界为$Q_1-1.5\times IQR$。

data.boxplot()

利用标准差检测，当数据服从标准正态分布时，$99\%$ 的数值与均值的距离应该在 3 个标准差之内，也就是 $3\sigma$原则，$95\%$ 的数值与均值的距离应该在 2 个标准差之内，也就是 $2\sigma$原则，有时候 3 个标准差可能过于严格，所以有时候会将阈值设定为 2 个标准差，即认为当数值与均值的距离超过两个标准差则可以认为它是异常值。

a = pd.DataFrame()
for i in data.columns:
    z = (data[i] - data[i].mean()) / data[i].std()
    a[i] = abs(z) > 2
a

这里相当于进行了标准化，这里标准化之后的好处就是数据变为服从$N(0,1)$的正态分布，此时标准差就为1，如果标准化之后的数值大于标准正态分布的标准差 1 的 2倍，那么该数值为异常值，返回布尔值 True ,否则返回布尔值 False，检测到异常值后，如果异常值较少或影响不大，也可以不处理，如果需要处理，可以采用如下几种常见的方式：
(1) 删除含有异常值的记录；
(2) 将异常值视为缺失值；
(3) 数据分箱的方法进行处理。