这篇文章给大家分享了 python 中常用的九种预处理方法,对大家学习或使用 python 具有一定的参考价值,有需要的朋友们可以一起来看看。
Python 是一种面向对象、解释型计算机程序设计语言,由 Guido van Rossum 于 1989 年底发明,第一个公开发行版发行于 1991 年。Python 语法简洁而清晰,具有丰富和强大的类库。它常被昵称为胶水语言,它能够把用其他语言制作的各种模块(尤其是 C/C++)很轻松地联结在一起。
本文总结的是我们大家在 python 中常见的数据预处理方法,以下通过 sklearn 的 preprocessing 模块来介绍;
1. 标准化(Standardization or Mean Removal and Variance Scaling)
变换后各维特征有 0 均值,单位方差。也叫 z-score 规范化(零均值规范化)。计算方式是将特征值减去均值,除以标准差。
- sklearn.preprocessing.scale(X)
一般会把 train 和 test 集放在一起做标准化,或者在 train 集上做标准化后,用同样的标准化器去标准化 test 集,此时可以用 scaler
- scaler = sklearn.preprocessing.StandardScaler().fit(train)
- scaler.transform(train)
- scaler.transform(test)
实际应用中,需要做特征标准化的常见情景:SVM
2. 最小 - 最大规范化
最小 - 最大规范化对原始数据进行线性变换,变换到 [0,1] 区间(也可以是其他固定最小最大值的区间)
- min_max_scaler = sklearn.preprocessing.MinMaxScaler()
- min_max_scaler.fit_transform(X_train)
3. 规范化(Normalization)
规范化是将不同变化范围的值映射到相同的固定范围,常见的是 [0,1],此时也称为归一化。
将每个样本变换成 unit norm。
- X = [[ 1, -1, 2],[ 2, 0, 0], [ 0, 1, -1]]
- sklearn.preprocessing.normalize(X, norm='l2')
得到:
- array([[ 0.40, -0.40, 0.81], [ 1, 0, 0], [ 0, 0.70, -0.70]])
可以发现对于每一个样本都有,0.4^2+0.4^2+0.81^2=1, 这就是 L2 norm,变换后每个样本的各维特征的平方和为 1。类似地,L1 norm 则是变换后每个样本的各维特征的绝对值和为 1。还有 max norm,则是将每个样本的各维特征除以该样本各维特征的最大值。
在度量样本之间相似性时,如果使用的是二次型 kernel,需要做 Normalization
4. 特征二值化(Binarization)
给定阈值,将特征转换为 0/1
- binarizer = sklearn.preprocessing.Binarizer(threshold=1.1)
- binarizer.transform(X)
- lb = sklearn.preprocessing.LabelBinarizer()
6. 类别特征编码
有时候特征是类别型的,而一些算法的输入必须是数值型,此时需要对其编码。
- 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.]])
上面这个例子,第一维特征有两种值 0 和 1,用两位去编码。第二维用三位,第三维用四位。
另一种编码方式
- newdf=pd.get_dummies(df,columns=["gender","title"],dummy_na=True)
- le = sklearn.preprocessing.LabelEncoder()
- le.fit([1, 2, 2, 6])
- le.transform([1, 1, 2, 6]) #array([0, 0, 1, 2])
- #非数值型转化为数值型
- le.fit(["paris", "paris", "tokyo", "amsterdam"])
- le.transform(["tokyo", "tokyo", "paris"]) #array([2, 2, 1])
8. 特征中含异常值时
- sklearn.preprocessing.robust_scale
9. 生成多项式特征
这个其实涉及到特征工程了,多项式特征 / 交叉特征。
- poly = sklearn.preprocessing.PolynomialFeatures(2)
- poly.fit_transform(X)
原始特征:
转化后:
总结
以上就是为大家总结的 python 中常用的九种预处理方法分享,希望这篇文章对大家学习或者使用 python 能有一定的帮助,如果有疑问大家可以留言交流。
来源: http://www.phperz.com/article/17/0318/297093.html