本次主要学习sklearn的preprocessing库：用来对数据预处理，包括无量纲化，特征二值化，定性数据量化等。

先看下这个库所包含的类及方法：

主要包括14大类，为训练集数据的预处理提供接口，每个类都提供了fit（填充数据，获取数据上的特征信息并保存），transform（将fit保存的信息应用到其它数据集上，对其它数据集进行转换），fit_transform（填充数据并对数据进行转换）。如果计算是一次性的，不需创建类，可直接调用与类相对应的方法。本次主要利用iris数据测试

 

  1.  
    from sklearn.datasets import load_iris
  2.  
    iris=load_iris()

 

 

无量纲化：

1.标准化：（x-列均值）/ 列标准差

 

  1.  
    from sklearn.preprocessing import StandardScaler
  2.  
    StandardScaler().fit_transform(iris.data)

 

或使用scaler方法，既可按列，又可按行标准化

 

  1.  
    from sklearn.preprocessing import scale
  2.  
    a=np.array([[1,2,3],[3,2,1]])
  3.  
    res=scale(a,axis=0) #按列标准化
  4.  
    res.mean(axis=0) #查看列均值
  5.  
    res.std(axis=0) #查看列标准差
  6.  
     
  7.  
    res2=scale(a,axis=1) #按行标准化

这里要注意大写开头的StandarScaler与scale的区别，scale是一个方法，可直接调用，而StandarScaler是一个类，为计算训练集上的平均值和标准差提供的接口，通过fit方法，存储训练集上的均值和标准差，通过transform(x_test)方法，可用同样的标准处理测试集。也可直接用fit_transform方法，填充并转换，有点类似模型里边的fit。

 

 

2.区间缩放： 

1）（x-列最小值）/ （列最大值-列最小值）， value在0-1直接

 

  1.  
    from sklearn.preprocessing import MinMaxScaler
  2.  
    MinMaxScaler().fit_transform(iris.data)

同样，如果不想创建一个类，可使用方法minmax_scale

 

2） x / 列最大值的绝对值， value在[-1,1]。（稀疏矩阵推荐使用）

 

  1.  
    >>> X_train = np.array([[ 1., -1., 2.],
  2.  
    ... [ 2., 0., 0.],
  3.  
    ... [ 0., 1., -1.]])
  4.  
    ...
  5.  
    >>> max_abs_scaler = preprocessing.MaxAbsScaler()
  6.  
    >>> X_train_maxabs = max_abs_scaler.fit_transform(X_train)
  7.  
    >>> X_train_maxabs # doctest +NORMALIZE_WHITESPACE^
  8.  
    array([[ 0.5, -1. , 1. ],
  9.  
    [ 1. , 0. , 0. ],
  10.  
    [ 0. , 1. , -0.5]])
  11.  
    >>> X_test = np.array([[ -3., -1., 4.]])
  12.  
    >>> X_test_maxabs = max_abs_scaler.transform(X_test)
  13.  
    >>> X_test_maxabs
  14.  
    array([[-1.5, -1. , 2. ]])
  15.  
    >>> max_abs_scaler.scale_
  16.  
    array([ 2., 1., 2.])

二者区别，除值域不一样外，后者不会改变矩阵的稀疏性，是0的还是0，而前者会改变。

 

3）根据四分位数来缩放数据。对于数据有较多异常值的情况，使用均值和方差来标准化显然不合适，按中位数，一、四分位数缩放效果要好，但没怎么明白缩放原理，有时间细看下。

 

  1.  
    from sklearn.preprocessing import RobustScaler
  2.  
    RobustScaler().fit_transform(iris.data)

 

 

3.归一化： x /（根号下（x所在行的值的平方和））

 

  1.  
    from sklearn.preprocessing import Normalizer
  2.  
    Normalizer(norm='l2').fit_transform(iris.data)

norm参数[‘l1’,'l2','max']， 默认norm为l2，即第二范数，也就是二维距离，l1是第一范数，即差的绝对值。

 

 

特征二值化：

 

  1.  
    import numpy as np
  2.  
    from sklearn.preprocessing import Binarizer
  3.  
    a=np.array([[1,2,3],[3,2,1]])
  4.  
    Binarizer(threshold=2).fit_transform(a)

输出：array([[0, 0, 1],
       [1, 0, 0]])

 

大于阀值转为1，小于等于阀值为0

 

当需要转换的数据是一列时，也可用pandas很快计算

 

  1.  
    import pandas as pd
  2.  
    df=pd.DataFrame({'name1':[1,2,3]})
  3.  
    df[df<=2]=0
  4.  
    df[df>2]=1
  5.  
    print df

 

 

定性变量的量化：

1. onehot编码

当一个特征变量不能用一个数值表示，而是一个分类值时，我们可以考虑使用onehot编码。如一个特征是某人最喜欢的水果，特征值为【‘苹果’，‘梨’，‘葡萄’，‘都不是’】，通常情况下，我们会把它转换为数字[1,2,3,4]。但机器学习里的数字默认都是有序的，4比3大等等，而我们的苹果和梨都是等价的。这时就是onehot编码发挥作用的时候了。也就是把每一个选项都当作一列特征了，选择该选项则对应特征值为1否则为0.

 

  1.  
    In [202]: from sklearn.preprocessing import OneHotEncoder
  2.  
     
  3.  
    In [203]: fruit=[[0],[1],[0],[2],[0],[3]]
  4.  
     
  5.  
    In [204]: res=OneHotEncoder().fit(fruit)
  6.  
     
  7.  
    In [205]: res.transform(fruit).toarray()
  8.  
    Out[205]:
  9.  
    array([[ 1., 0., 0., 0.],
  10.  
    [ 0., 1., 0., 0.],
  11.  
    [ 1., 0., 0., 0.],
  12.  
    [ 0., 0., 1., 0.],
  13.  
    [ 1., 0., 0., 0.],
  14.  
    [ 0., 0., 0., 1.]])


2.顺带提下pandas里对字符型变量的量化为数字

 

1) dummy

直接将字符串的变量转换为onehot编码了，如kaggle的入门训练Titanic中的上船地点取值为's','q','c' 。 但是它只适应于变量取值较少的情况，对于变量取值范围较广的字符串，还是先使用factorize再用onehot编码较好。

 

  1.  
    In [215]: emarked=pd.DataFrame(['s','s','q','q','c','s'])
  2.  
     
  3.  
    In [216]: pd.get_dummies(emarked)
  4.  
    Out[216]:
  5.  
    0_c 0_q 0_s
  6.  
    0 0.0 0.0 1.0
  7.  
    1 0.0 0.0 1.0
  8.  
    2 0.0 1.0 0.0
  9.  
    3 0.0 1.0 0.0
  10.  
    4 1.0 0.0 0.0
  11.  
    5 0.0 0.0 1.0

 

 

2) factorize

将相同的字符串映射为同一个数字，然后再用onehot啦。

 

  1.  
    In [214]: import pandas as pd
  2.  
    data=pd.DataFrame({'name':['py','ws','py','zs','zs','ls','py']})
  3.  
    ...: pd.factorize(data.name)
  4.  
    ...:
  5.  
    Out[214]:
  6.  
    (array([0, 1, 0, 2, 2, 3, 0]),
  7.  
    Index([u'py', u'ws', u'zs', u'ls'], dtype='object'))


缺失值处理：

 

sklearn提供了Imputer对缺失值进行处理，用均值，中位数，众数代替，通过strategy控制，取值为['mean','median','most_frequent']

 

  1.  
    In [223]: a=[[1,2,3],[np.nan,2,4]]
  2.  
     
  3.  
    In [224]: Imputer(strategy='mean').fit_transform(a)
  4.  
    Out[224]:
  5.  
    array([[ 1., 2., 3.],
  6.  
    [ 1., 2., 4.]])

 

按指定函数处理数据：

preprocessing库还提供了FunctionTransformer函数，传入一个指定的函数提取数据的特征并转换，以对数转换为例：

 

  1.  
    from numpy import log1p
  2.  
    from sklearn.preprocessing import FunctionTransformer
  3.  
     
  4.  
    #自定义转换函数为对数函数的数据变换
  5.  
    #第一个参数是单变元函数
  6.  
    FunctionTransformer(log1p).fit_transform(iris.data)



 

 

                                                   总结表：

 

类 功能 说明
StandardScaler 无量纲化 标准化，基于特征矩阵的列，将特征值转换至服从标准正态分布
MinMaxScaler 无量纲化 区间缩放，基于最大最小值，将特征值转换到[0, 1]区间上
Normalizer 归一化 基于特征矩阵的行，将样本向量转换为“单位向量”
Binarizer 二值化 基于给定阈值，将定量特征按阈值划分
OneHotEncoder 哑编码 将定性数据编码为定量数据
Imputer 缺失值计算 计算缺失值，缺失值可填充为均值等
dummy,factorize pandas库中的字符串处理 将字符型变量用onehot编码，将多字符变量映射为数字
FunctionTransformer 自定义单元数据转换 使用单变元的函数来转换数据

 

fit 数据填充 获取数据特征并存储
transform 数据转换 将存储的标准应用到新的数据集上
fit_transform 数据填充并转换 获取数据的特征并转换数据，转换后得到的是一个copy的新变量，不会改变原数据

 



 

参考：

http://scikit-learn.org/stable/modules/preprocessing.html#preprocessing

http://www.cnblogs.com/jasonfreak/p/5448385.html

 转自https://blog.csdn.net/wateryouyo/article/details/53898332