1. 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。
这里主要说数值型数据的预处理。
2. 归一化
为什么需要归一化
比如上面的案例,三个特征同等重要,当一组特征里面的数据很大,而另一组特征数据很小时,比如在K最近邻算法中通过距离,来判断某个数据属于那一类,(72993-35948)^2 + (10.14-6.8)2+(1.0-1.21)2可以看到,数据大的占的比重大会对结果造成很大的影响。
3. sklearn归一化API
sklearn归一化API: sklearn.preprocessing.MinMaxScaler
代码
from sklearn.preprocessing import MinMaxScaler
def mm():
"""归一化处理"""
mm = MinMaxScaler(feature_range=(0,1)) #区间在(0,1)之间
data = mm.fit_transform([[90,2,10,40],[60,4,15,45],[75,3,13,46]])
print(data)
mm()
结果
[[1. 0. 0. 0. ]
[0. 1. 1. 0.83333333]
[0.5 0.5 0.6 1. ]]
如果数据中异常点较多,会有什么影响?
异常点对最大值最小值,影响太大,所以对归一化影响很大。
4. 标准化
5. sklearn标准化API
sklearn特征化API: scikit-learn.preprocessing.StandardScaler
代码
from sklearn.preprocessing import StandardScaler
def stand():
"""标准化处理"""
std = StandardScaler()
data = std.fit_transform([[ 1., -1., 3.],[2., 4., 2.],[ 4., 6., -1.]])
print(data)
stand()
结果
[[-1.06904497 -1.35873244 0.98058068]
[-0.26726124 0.33968311 0.39223227]
[ 1.33630621 1.01904933 -1.37281295]]
6. 缺失值
pandas模块里面有比较好的函数处理缺失值,这里用 sklearn模块中的api处理。
对于numpy数组当中,缺失的部分,我们不能用?,或者其他符号代替,因为这些都是字符类型,我们需要浮点类型。
代码
from sklearn.preprocessing import Imputer
import numpy as np
def que():
"""缺失值处理"""
im = Imputer(missing_values='NaN',strategy='mean',axis=0)
data = im.fit_transform([[ 1, 2],[np.nan, 3],[ 7, 6]])
print(data)
que()
结果
[[1. 2.]
[4. 3.] (1+7)/ 2 = 4
[7. 6.]]
数据降维
7. 特征选择
sklearn特征选择API
`sklearn.feature_selection.VarianceThreshold`
threshold 默认值是方差为0,方差为零就是样本中特征值相同。
特征选择就是将那些方差很小的甚至为0的删除掉,因为,当一个特征对于所有样本差异很小,那这个特征对于分类来说基本没有多大用处。
代码
from sklearn.feature_selection import VarianceThreshold
def var():
"""特征选择——删除降低方差特征"""
var = VarianceThreshold(threshold=0.0)
data = var.fit_transform([[0, 2, 0, 3],[0, 1, 4, 3],[0, 1, 1, 3]])
print(data)
var()
结果
[[2 0]
[1 4]
[1 1]]
可以看出删除两列方差为0的特征。
其他特征选择的方法:神经网络(后面具体介绍)
8. 主成分分析
sklearn.decomposition
将3维降到2维,如何很好的将花洒的特征损失减少,从图中可以看到前两张图片从3维变成二维后,很难看出来这是一个花洒,第三张图片勉强可以看出,而第四张图片在降维的基础上又尽量减少花洒的特征损失。
可以看到在保留5个点的同时将二维数据将成一维。
其中,n_components=None有两种值,小数和整数
代码
from sklearn.decomposition import PCA
def pca():
"""主成分分析进行特征将维"""
pca = PCA(n_components=0.9)
data = pca.fit_transform([[2,8,4,5],[6,3,0,8],[5,4,9,1]])
print(data)
pca()
结果
[[ 1.28620952e-15 3.82970843e+00]
[ 5.74456265e+00 -1.91485422e+00]
[-5.74456265e+00 -1.91485422e+00]]
可以看到4个特征列变成两个特征列,结果中的两列特征是没有具体意义,但是包含了其中90%的特征。