sklearn 特征预处理，归一化和标准化，缺失值处理

柔情只为你懂 2023-02-23 03:55 2阅读 0赞

**目录**

1.什么是特征处理

2.不同的特征数据处理方式

3.归一化

公式

公式讲解

sklearn 归一化实例

归一化的运用场景

归一化的缺点——异常点

4.标准化

公式

公式分析

sklearn 标准化实例

标准化的意义

缺失值处理方法

参考资料

--------------------

## 1.什么是特征处理 ##

通过特点的统计法（数学方法），将数据转换成算法要求的数据

## ##

## **2.不同的特征数据处理方式** ##

**数值型数据(实数型)**，通过标准缩放进行处理，标准缩放简单来讲就是将数字大小缩小化（偏0），如100缩小到0~1之间，常用的算法有：

*  a.归一化
 *  b.标准化

**类别型数据**，比如性别，国籍，这些有限类别的数据值，可将其转换为整数数字，性别男女对于0或1；世界上有197个国家，所以可用1-197对国籍标号，对于这样的处理方式，常用的算法有：

*  a.one-hot编码化

**时间型数据，**对于时间型数据，常用的做法是切分时间段，算法为：

*  a.时间切分

## 3.归一化 ##

归一化是指对原始数据进行变换，把数据映射到一个指定的区间，如\[0,1\]之间

### **公式** ###

![20200705114301518.png][]

### **公式讲解** ###

对于下列数据，将其做归一化，其结果如右。max代表一列的最大值，min代表一列的最小值，x代表为变量（被归一化的值）。比如特征1（第一列）的第一个值90，这一列的最大值为90,最小值为60，则有

X\`=90-60/90-60=1

mx和mi分别为指定区间值，mx为1,mi为0，区间值指的是我们想要缩小到的区间，默认是\[0,1\]。sklearn 可以调整这个区间值。

X\`\`=1\*(1-0)+0=1

所以90进过归一化后变成了1，类似的60变成了0，75变成了0.5

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NrNzg0MTAxNzc3_size_16_color_FFFFFF_t_70][]

### **sklearn 归一化实例** ###

sklearn API接口： sklearn.preprocessing.MinMaxScaler

from sklearn.preprocessing import MinMaxScaler
    
    def normalization():
        mm=MinMaxScaler()
        data=mm.fit_transform([[90,2,10,40],
                               [60,4,15,45],
                               [75,3,13,46]])
        print(data)
    
    if __name__=="__main__":
         normalization()

打印结果

![20200705120411324.png][]

缩小区间可以调整， 如将其调整到(1,3)

> mm=MinMaxScaler(feature\_range=(1,3))

![20200705120803773.png][]

### 归一化的运用场景 ###

相亲约会对象数据，这个样本时男士的数据，三个特征，玩游戏所消耗时间的 百分比、每年获得的飞行常客里程数、每周消费的冰淇淋公升数。然后有一个 所属类别，被女士评价的三个类别，不喜欢didnt、魅力一般small、极具魅力large 也许也就是说飞行里程数对于结算结果或者说相亲结果影响较大，但是统计的 人觉得这三个特征同等重要。

![format_png][]

在此处为什么要进行归一化，归一化说白了就是控制数据在指定的范围内，防止过大数据对结果造成干扰。

这里先使用一个k-means算法(k近临算法)

k-means就是同一特征下的两个样本，相减取平方。

对于上图标红的两个样本（从现在开始，表中的行称为样本，列称为特征值），使用k-means时，计算(72993-35948)^2 + (10.141740-6.830792)^2 + (1.032955-1.213192)^2，会发现（72993-35948)^2的值过大，后面两项基本可以忽略不计了，但是案例中有一句话很重要------“统计的 人觉得这三个特征同等重要”。所以，就要解决这个情况，可以使用归一化解决。

最终，使得某一个特征对最终结果不会造成更大影响。

### 归一化的缺点——异常点 ###

如果数据中异常点较多，对归一化会有什么影响？

回忆归一化公式，x1=x-min/max-min , x1的值容易受到max-min的影响,x2也就受到影响，所以当出现特别大和特别小的数值，会对结果产生很大的影响，如下面这组值，

>     data=mm.fit_transform([[900,2,10,40],
>                            [60,4,15,45],
>                            [75,3,13,46],
>                            [45,3,13,46],
>                            [65,3,13,46],
>                            [90,3,13,46],])

进行归一化的结果为，第一个值900极大的影响了这一特征值，使得其他数值被极大缩小了：

> \[\[1.         0.         0.         0.        \]  
>  \[0.01754386 1.         1.         0.83333333\]  
>  \[0.03508772 0.5        0.6        1.        \]  
>  \[0.         0.5        0.6        1.        \]  
>  \[0.02339181 0.5        0.6        1.        \]  
>  \[0.05263158 0.5        0.6        1.        \]\]

总结：注意在特定场景下最大值最小值是变化的，另外，最大值与最小值非常容易受异常点影响，所以这种方法鲁棒性（可以理解为稳定性）较差，只适合传统精确小数据场景。

## 4.标准化 ##

标准化是指对原始数据进行变换把数据变换到均值为0，标准差为1。如何将一组特征值变满足这一条件的一组值，需要用到以下公式。

### 公式 ###

x代表当前特征值，mean代表该类特征值的平均数

![20200705160157704.png][]

其中σ的计算方式如下，var代表方差，σ为方差var开根号

![2020070516020525.png][]

### 公式分析 ###

有以下一组特征值，计算第一列三个（90,60,75）的X\`。

> \[90,2,10,40\],  
> \[60,4,15,45\],  
> \[75,3,13,46\]

第一列平均数

mean=90+60+75/3=75

var=(90-75)^2+(60-75)^2+(75-75)^2/3=150

σ=√150=12.247

X1\`=90-75/12.247=1.2247897

X2\`=60-75/12.247=-1.2247897

X3\`=75-75/12.247=0

标准化处理后的第一组数据为

> 1.2247897 -1.2247897 0

对于这一组结果，是否满足均值为0，标准差为1呢？计算一下

均值=1.2247897+(-1.2247897)+0/3=0

标准差=√方差=√((1.2247897-0)^2+(1.2247897-0)^+(0-0)^2)/3=1(注意，这里其实是约等于1)

根据计算结果，显然满足我们对标准化的定义

## ##

### **sklearn 标准化实例** ###

sklearn API接口：sklearn.preprocessing.StandardScaler

from sklearn.preprocessing import StandardScaler
    
    def standar():
        st = StandardScaler()
        data = st.fit_transform([[90,2,10,40],
                               [60,4,15,45],
                               [75,3,13,46]])
        print(data)
    
    if __name__=="__main__":
         standar()

输出结果，可以看到第一列的值与我们计算的是一样的。

![2020070519483634.png][]

### 标准化的意义 ###

使用标准化的意义在于解决归一化的缺陷，即当出现异常点，影响了最大值或最小值，那么结果显然会发生改变；而对于标准化来说，具有一定数据量，少量的异常点对平均值的影响不是那么大，从而方差改变也较小

## 缺失值处理方法 ##

在做数据预处理之前，有些数据可能存在缺失值，比如对某一组特征数据，其不存在特征x，或者在获取该特征时因为某些原因没有录入，有两种处理方式：

*  删除：删除该行数据（不对这一组数据做特征值预处理），或是删除该特征值（不对该特征做预处理）
 *  填补：可用该列特征值的平均数或中位数进行填补，通常来说，使用填补的方式处理缺失值更加稳妥

比如该组数据

> \[90,2,10,40\],  
> \[60,4,15,45\],  
> \[75,3,13,46\]

假设某组数据有缺失值，这样就有个问题，缺失的部分填什么，填0或者不填可以么，当然不可以

> \[90,2,10,\],  
> \[,4,15,45\],  
> \[75,3,,46\]

补充：numpy提供了缺失值的填补方式，即np.nan

使用numpy填补后的数据

> \[90,2,10,np.nan\],  
> \[np.nan,4,15,45\],  
> \[75,3,np.nan,46\]

sklearn 提供了缺失值处理API：sklearn.impute.SimpleImputer

我们使用平均值来填补缺失值

from sklearn.impute import SimpleImputer
    
    def imputer():
        im=SimpleImputer(missing_values=np.nan,strategy="mean")
        data=im.fit_transform([[90,2,10,np.nan],
                               [np.nan,4,15,45],
                               [75,3,np.nan,46]])
        print(data)
    
    if __name__=="__main__":
         imputer()

结果如下

![20200705230317174.png][]

**注意：平均值不计算缺失部分，如第一列特征的平均值=90+75/2=82.5**

# #

## 参考资料 ##

归一化案例：约会相亲对象 [https://www.cnblogs.com/cwj2019/p/11720029.html][https_www.cnblogs.com_cwj2019_p_11720029.html]

数据的标准化（normalization）和归一化 [https://www.cnblogs.com/LazyJoJo/p/7216523.html][https_www.cnblogs.com_LazyJoJo_p_7216523.html]

数据预处理Preprocessing data [https://blog.csdn.net/pipisorry/article/details/52247679][https_blog.csdn.net_pipisorry_article_details_52247679]

缺失值处理&异常值处理 [https://blog.csdn.net/xiedelong/article/details/81607598][https_blog.csdn.net_xiedelong_article_details_81607598]

[20200705114301518.png]: https://img-blog.csdnimg.cn/20200705114301518.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NrNzg0MTAxNzc3_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/2020070511445098.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2NrNzg0MTAxNzc3,size_16,color_FFFFFF,t_70
[20200705120411324.png]: https://img-blog.csdnimg.cn/20200705120411324.png
[20200705120803773.png]: https://img-blog.csdnimg.cn/20200705120803773.png
[format_png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9pbWcyMDE4LmNuYmxvZ3MuY29tL2Jsb2cvMTgzODE5NC8yMDE5MTAvMTgzODE5NC0yMDE5MTAyMjE1MTIwODc4Ni0xNjI2NDM5ODI4LnBuZw?x-oss-process=image/format,png
[20200705160157704.png]: https://img-blog.csdnimg.cn/20200705160157704.png
[2020070516020525.png]: https://img-blog.csdnimg.cn/2020070516020525.png
[2020070519483634.png]: https://img-blog.csdnimg.cn/2020070519483634.png
[20200705230317174.png]: https://img-blog.csdnimg.cn/20200705230317174.png
[https_www.cnblogs.com_cwj2019_p_11720029.html]: https://www.cnblogs.com/cwj2019/p/11720029.html
[https_www.cnblogs.com_LazyJoJo_p_7216523.html]: https://www.cnblogs.com/LazyJoJo/p/7216523.html
[https_blog.csdn.net_pipisorry_article_details_52247679]: https://blog.csdn.net/pipisorry/article/details/52247679
[https_blog.csdn.net_xiedelong_article_details_81607598]: https://blog.csdn.net/xiedelong/article/details/81607598