python經常使用的數據預處理方法

轉載自：http://2hwp.com/2016/02/03/data-preprocessing/

常見的數據預處理方法，如下經過sklearn的preprocessing模塊來介紹;

1. 標準化（Standardization or Mean Removal and Variance Scaling)

變換後各維特徵有0均值，單位方差。也叫z-score規範化（零均值規範化）。計算方式是將特徵值減去均值，除以標準差。

1	sklearn.preprocessing.scale(X)

通常會把train和test集放在一塊兒作標準化，或者在train集上作標準化後，用一樣的標準化器去標準化test集，此時能夠用scaler

1 2 3

scaler = sklearn.preprocessing.StandardScaler().fit(train) scaler.transform(train) scaler.transform(test)

實際應用中，須要作特徵標準化的常見情景：SVM

2. 最小-最大規範化

最小-最大規範化對原始數據進行線性變換，變換到[0,1]區間（也能夠是其餘固定最小最大值的區間）

1 2	min_max_scaler = sklearn.preprocessing.MinMaxScaler() min_max_scaler.fit_transform(X_train)

3.規範化（Normalization）

規範化是將不一樣變化範圍的值映射到相同的固定範圍，常見的是[0,1]，此時也稱爲歸一化。《機器學習》周志華

將每一個樣本變換成unit norm。

1 2	X = [[ 1, -1, 2],[ 2, 0, 0], [ 0, 1, -1]] sklearn.preprocessing.normalize(X, norm='l2')

獲得：

1	array([[ 0.40, -0.40, 0.81], [ 1, 0, 0], [ 0, 0.70, -0.70]])

能夠發現對於每個樣本都有，0.4^2+0.4^2+0.81^2=1,這就是L2 norm，變換後每一個樣本的各維特徵的平方和爲1。相似地，L1 norm則是變換後每一個樣本的各維特徵的絕對值和爲1。還有max norm，則是將每一個樣本的各維特徵除以該樣本各維特徵的最大值。

在度量樣本之間類似性時，若是使用的是二次型kernel，須要作Normalization

4. 特徵二值化（Binarization）

給定閾值，將特徵轉換爲0/1

1 2	binarizer = sklearn.preprocessing.Binarizer(threshold=1.1) binarizer.transform(X)

5. 標籤二值化（Label binarization）

1	lb = sklearn.preprocessing.LabelBinarizer()

6. 類別特徵編碼

有時候特徵是類別型的，而一些算法的輸入必須是數值型，此時須要對其編碼。

1 2 3

enc = preprocessing.OneHotEncoder() enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]]) enc.transform([[0, 1, 3]]).toarray() #array([[ 1., 0., 0., 1., 0., 0., 0., 0., 1.]])

上面這個例子，第一維特徵有兩種值0和1，用兩位去編碼。第二維用三位，第三維用四位。

另外一種編碼方式

 

7.標籤編碼（Label encoding）

1 2 3 4 5 6

le = sklearn.preprocessing.LabelEncoder() le.fit([1, 2, 2, 6]) le.transform([1, 1, 2, 6]) #array([0, 0, 1, 2]) #非數值型轉化爲數值型 le.fit(["paris", "paris", "tokyo", "amsterdam"]) le.transform(["tokyo", "tokyo", "paris"]) #array([2, 2, 1])

8.特徵中含異常值時

1	sklearn.preprocessing.robust_scale

9.生成多項式特徵

這個其實涉及到特徵工程了，多項式特徵/交叉特徵。

1 2	poly = sklearn.preprocessing.PolynomialFeatures(2) poly.fit_transform(X)

 

原始特徵：

轉化後：