机器学习中数据清洗&预处理
数据预处理是建立机器学习模型的第一步，对最终结果有决定性的作用：如果你的数据集没有完成数据清洗和预处理，那么你的模型很可能也不会有效
第一步，导入数据
进行学习的第一步，我们需要将数据导入程序以进行下一步处理
加载 nii 文件并转为 numpy 数组
import nibabel as nib
from skimage import transform
import os
import numpy as np
img = nib.load(img_file)
img = img.get_fdata()
img = transform.resize(img[:, :, :, 0], (256, 256, 5))
img = np.squeeze(img)
train_img[i - 1, :, :, :] = img[:, :, :]
第二步，数据预处理
Python提供了多种多样的库来完成数据处理的的工作，最流行的三个基础的库有：Numpy、Matplotlib 和 Pandas。Numpy 是满足所有数学运算所需要的库，由于代码是基于数学公式运行的，因此就会使用到它。Maplotlib（具体而言，Matplotlib.pyplot）则是满足绘图所需要的库。Pandas 则是最好的导入并处理数据集的一个库。对于数据预处理而言，Pandas 和 Numpy 基本是必需的
在导入库时，如果库名较长，最好能赋予其缩写形式，以便在之后的使用中可以使用简写。如
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
导入数据
import pandas as pd
def read_data(file_name : str):
suffix = file_name.split('.')
if suffix[1] == "csv":
dataset = pd.read_csv(file_name)
return dataset
return None
读取的数据为
| animal | age | worth | friendly | |
|---|---|---|---|---|
| 0 | cat | 3 | 1200.0 | yes |
| 1 | dog | 4 | 2400.0 | yes |
| 2 | dog | 3 | 7000.0 | no |
| 3 | cat | 2 | 3400.0 | yes |
| 4 | moose | 6 | 4000.0 | no |
| 5 | moose | 3 | NaN | yes |
将数据划分为因变量和自变量($ y = f(x)$)
dataset = read_data("data.csv") # pandas.core.frame.DataFrame
print(dataset)
x = dataset.iloc[:, :-1].values # 将Dataframe转为数组,且不包括最后一列
y = dataset.iloc[:, 3].values # dataset最后一列
可见 \(x\) 中是有一项数据是缺失的，此时可以使用 scikit-learn 预处理模型中的 imputer 类来填充缺失项
from sklearn.preprocessing import Imputer
imputer = Imputer(missing_values = np.nan, strategy = 'mean', axis = 0) # 使用均值填充缺失数据
imputer = imputer.fit(x[:, 1:3])
x[:, 1:3] = imputer.transform(x[:, 1:3])
其中 missing_values 指定了待填充的缺失项值， strategy 指定填充策略，此处填充策略使用的是均值填充，也可以使用中值，众数等策略
填充结果
这种填充适用于数字的填充，如果是属性填充，我们可以将属性数据编码为数值。此时我们可以使用 sklearn.preprocessing 所提供的 LabelEncoder 类
from sklearn.preprocessing import LabelEncoder
print(y)
labelencoder = LabelEncoder()
y = labelencoder.fit_transform(y)
print(y)
编码结果
训练集与测试集的划分
此时我们可以使用 sklearn.model_selection.train_test_split 来进行划分
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=0)
进行测试集与训练集划分的一种常见的方法是将数据集按 80/20 进行划分，其中 80% 的数据用作训练，20% 的数据用作测试，由 test_size = 0.2 指明，random_state 指定是否随机划分
特征缩放
当我们的数据跨度很大的话或者在某些情况下（如：学习时，模型可能会因数据的大小而给予不同的权重，而我们并不需要如此的情况），我们可以将数据特征进行缩放，使用 sklearn.preprocessing.StandardScaler
from sklearn.preprocessing import StandardScaler
x[:, 0] = labelencoder.fit_transform(x[:, 0]) # 将属性变为数字
print(x_train)
sc_x = StandardScaler() #
x_train = sc_x.fit_transform(x_train)
x_test = sc_x.transform(x_test)
print(x_train)
结果
