sklearn中常用的数据预处理方法

一时失言乱红尘 2022-07-12 17:09 192阅读 0赞

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。

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

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）

### 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。《[机器学习][Link 1]》周志华

将每个样本变换成unit norm。

得到：

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

### 5. 标签二值化（Label binarization） ###

### 6. 类别特征编码 ###

有时候特征是类别型的，而一些[算法][Link 2]的输入必须是数值型，此时需要对其编码。

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。

### 7.标签编码（Label encoding） ###

<table style="color:rgb(85,85,85); font-family:inherit; font-style:inherit; font-weight:inherit; margin:0px; padding:0px; border:none; outline:0px; font-size:16px; vertical-align:middle; border-collapse:collapse; border-spacing:0px; width:auto"> 
 <tbody style="margin:0px; padding:0px; border:0px; outline:0px; font-weight:inherit; font-style:inherit; font-family:inherit; vertical-align:baseline"> 
 <tr style="margin:0px; padding:0px; border:0px; outline:0px; font-weight:inherit; font-style:inherit; font-family:inherit; vertical-align:baseline; height:35px"> 
 <td style="margin:0px; padding:0px; border:none; outline:0px; font-style:inherit; font-family:inherit; font-size:16px; vertical-align:middle; height:35px"> <pre style="white-space:pre-wrap; word-wrap:break-word; margin-top:0px; margin-bottom:0px; padding:0px 20px 0px 0px; border:none; outline:0px; font-weight:inherit; font-style:inherit; font-family:&quot;Source Code Pro&quot;,Consolas,Monaco,Menlo,Consolas,monospace; font-size:10px; vertical-align:baseline; line-height:22.4px; overflow:auto; color:rgb(102,102,102); text-align:right; background:rgb(39,40,34)">1
2
3
4
5
6
</pre> </td> 
 <td style="margin:0px; padding:0px; border:none; outline:0px; font-style:inherit; font-family:inherit; font-size:16px; vertical-align:middle; height:35px"> <pre style="white-space:pre-wrap; word-wrap:break-word; margin-top:0px; margin-bottom:0px; padding:0px; border:none; outline:0px; font-weight:inherit; font-style:inherit; font-family:&quot;Source Code Pro&quot;,Consolas,Monaco,Menlo,Consolas,monospace; font-size:10px; vertical-align:baseline; line-height:22.4px; overflow:auto; color:rgb(255,255,255); background:rgb(39,40,34)">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])
</pre> </td> 
 </tr> 
 </tbody> 
</table>

### 8.特征中含异常值时 ###

### 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。

原始特征：[![这里写图片描述][20160203140705738]][20160203140705738]

转化后：[![这里写图片描述][20160203140725613]][20160203140725613]

[Link 1]: http://lib.csdn.net/base/machinelearning
[Link 2]: http://lib.csdn.net/base/datastructure
[20160203140705738]: /images/20220709/4f874c53c78344319194de6fe846ef2f.png
[20160203140725613]: /images/20220709/d6a525456fc14401a5be086f6b56bb06.png