sklearn中的数据预处理和特征工程
小伙伴们大家好~o(￣▽￣)ブ，沉寂了这么久我又出来啦，这次先不翻译优质的文章了，这次我们回到python中的机器学习，看一下sklearn中的数据预处理和特征工程，老规矩还是先强调一下我的开发环境是jupyter lab，所用的库和版本大家参考：
python 3.7.1（你的版本至少要3.4以上）
scikit-learn 0.20.0 （你的版本至少要0.19）
numpy 1.15.3, pandas 0.23.4, matplotlib 3.0.1, scipy 1.1.0
1 sklearn中的数据预处理和特征工程
sklearn中包含众多数据预处理和特征工程相关的模块，虽然刚接触sklearn时，大家都会为其中包含的各种算法的广度深度所震惊，但其实sklearn六大板块中有两块都是关于数据预处理和特征工程的，两个板块互相交互，为建模之前的全部工程打下基础。
-
模块preprocessing：几乎包含数据预处理的所有内容
-
模块impute：填补缺失值专用
-
模块feature_selection：包含特征选择的各种方法的实践
-
模块decomposition：包含降维算法
2 数据预处理 preprocessing & impute
2.1 数据无量纲化
在机器学习算法实践中，我们往往有着将不同规格的数据转换到同一规格，或不同分布的数据转换到某个特定分布的需求，这种需求统称为将数据“无量纲化”。譬如梯度和矩阵为核心的算法中，譬如逻辑回归，支持向量机，神经网络，无量纲化可以加快求解速度；而在距离类模型，譬如k近邻，k-means聚类中，无量纲化可以帮我们提升模型精度，避免某一个取值范围特别大的特征对距离计算造成影响。（一个特例是决策树和树的集成算法们，对决策树我们不需要无量纲化，决策树可以把任意数据都处理得很好。）
数据的无量纲化可以是线性的，也可以是非线性的。线性的无量纲化包括中心化（zero-centered或者mean-subtraction）处理和缩放处理（scale）。中心化的本质是让所有记录减去一个固定值，即让数据样本数据平移到某个位置。缩放的本质是通过除以一个固定值，将数据固定在某个范围之中，取对数也算是一种缩放处理。
-
preprocessing.minmaxscaler
当数据(x)按照最小值中心化后，再按极差（最大值 - 最小值）缩放，数据移动了最小值个单位，并且会被收敛到[0,1]之间，而这个过程，就叫做数据归一化(normalization，又称min-max scaling)。注意，normalization是归一化，不是正则化，真正的正则化是regularization，不是数据预处理的一种手段。归一化之后的数据服从正态分布，公式如下：
在sklearn当中，我们使用preprocessing.minmaxscaler来实现这个功能。minmaxscaler有一个重要参数，feature_range，控制我们希望把数据压缩到的范围，默认是[0,1]。
from sklearn.preprocessing import minmaxscaler data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]] #不太熟悉numpy的小伙伴，能够判断data的结构吗？ #如果换成表是什么样子？ import pandas as pd pd.dataframe(data) #实现归一化 scaler = minmaxscaler() #实例化 scaler = scaler.fit(data) #fit，在这里本质是生成min(x)和max(x) result = scaler.transform(data) #通过接口导出结果 result result_ = scaler.fit_transform(data) #训练和导出结果一步达成 scaler.inverse_transform(result) #将归一化后的结果逆转 #使用minmaxscaler的参数feature_range实现将数据归一化到[0,1]以外的范围中 data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]] scaler = minmaxscaler(feature_range=[5,10]) #依然实例化 result = scaler.fit_transform(data) #fit_transform一步导出结果 result #当x中的特征数量非常多的时候，fit会报错并表示，数据量太大了我计算不了 #此时使用partial_fit作为训练接口 #scaler = scaler.partial_fit(data)
bonus: 使用numpy来实现归一化
import numpy as np x = np.array([[-1, 2], [-0.5, 6], [0, 10], [1, 18]]) #归一化 x_nor = (x - x.min(axis=0)) / (x.max(axis=0) - x.min(axis=0)) x_nor #逆转归一化 x_returned = x_nor * (x.max(axis=0) - x.min(axis=0)) + x.min(axis=0) x_returned
-
preprocessing.standardscaler
当数据(x)按均值(μ)中心化后，再按标准差(σ)缩放，数据就会服从为均值为0，方差为1的正态分布（即标准正态分布），而这个过程，就叫做数据标准化(standardization，又称z-score normalization)，公式如下：
from sklearn.preprocessing import standardscaler data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]] scaler = standardscaler() #实例化 scaler.fit(data) #fit，本质是生成均值和方差 scaler.mean_ #查看均值的属性mean_ scaler.var_ #查看方差的属性var_ x_std = scaler.transform(data) #通过接口导出结果 x_std.mean() #导出的结果是一个数组，用mean()查看均值 x_std.std() #用std()查看方差 scaler.fit_transform(data) #使用fit_transform(data)一步达成结果 scaler.inverse_transform(x_std) #使用inverse_transform逆转标准化
对于standardscaler和minmaxscaler来说，空值nan会被当做是缺失值，在fit的时候忽略，在transform的时候保持缺失nan的状态显示。并且，尽管去量纲化过程不是具体的算法，但在fit接口中，依然只允许导入至少二维数组，一维数组导入会报错。通常来说，我们输入的x会是我们的特征矩阵，现实案例中特征矩阵不太可能是一维所以不会存在这个问题。
-
standardscaler和minmaxscaler选哪个？
看情况。大多数机器学习算法中，会选择standardscaler来进行特征缩放，因为minmaxscaler对异常值非常敏感。在pca，聚类，逻辑回归，支持向量机，神经网络这些算法中，standardscaler往往是最好的选择。
minmaxscaler在不涉及距离度量、梯度、协方差计算以及数据需要被压缩到特定区间时使用广泛，比如数字图像处理中量化像素强度时，都会使用minmaxscaler将数据压缩于[0,1]区间之中。
建议先试试看standardscaler，效果不好再换minmaxscaler。
除了standardscaler和minmaxscaler之外，sklearn中也提供了各种其他缩放处理（中心化只需要一个pandas广播一下减去某个数就好了，因此sklearn不提供任何中心化功能）。比如，在希望压缩数据，却不影响数据的稀疏性时（不影响矩阵中取值为0的个数时），我们会使用maxabsscaler；在异常值多，噪声非常大时，我们可能会选用分位数来无量纲化，此时使用robustscaler。更多详情请参考以下列表。
2.2 缺失值
机器学习和数据挖掘中所使用的数据，永远不可能是完美的。很多特征，对于分析和建模来说意义非凡，但对于实际收集数据的人却不是如此，因此数据挖掘之中，常常会有重要的字段缺失值很多，但又不能舍弃字段的情况。因此，数据预处理中非常重要的一项就是处理缺失值。
import pandas as pd
data = pd.read_csv(r"c:\work\learnbetter\micro-class\
week 3 preprocessing\narrativedata.csv",index_col=0)
data.head()
在这里，我们使用从泰坦尼克号提取出来的数据，这个数据有三个特征，一个数值型，两个字符型，标签也是字符型。从这里开始，我们就使用这个数据给大家作为例子，让大家慢慢熟悉sklearn中数据预处理的各种方式。
-
impute.simpleimputer
class sklearn.impute.simpleimputer(missing_values=nan, strategy=’mean’, fill_value=none, verbose=0, copy=true)
在讲解随机森林的案例时，我们用这个类和随机森林回归填补了缺失值，对比了不同的缺失值填补方式对数据的影响。这个类是专门用来填补缺失值的。它包括四个重要参数：
| 参数 | 含义&输入 |
|---|---|
| missing_values | 告诉simpleimputer，数据中的缺失值长什么样，默认空值np.nan |
| strategy | 我们填补缺失值的策略，默认均值。 输入“mean”使用均值填补（仅对数值型特征可用） 输入“median"用中值填补（仅对数值型特征可用） 输入"most_frequent”用众数填补（对数值型和字符型特征都可用） 输入“constant"表示请参考参数“fill_value"中的值（对数值型和字符型特征都可用） |
| fill_value | 当参数startegy为”constant"的时候可用，可输入字符串或数字表示要填充的值，常用0 |
| copy | 默认为true，将创建特征矩阵的副本，反之则会将缺失值填补到原本的特征矩阵中去。 |
data.info() #填补年龄 age = data.loc[:,"age"].values.reshape(-1,1) #sklearn当中特征矩阵必须是二维 age[:20] from sklearn.impute import simpleimputer imp_mean = simpleimputer() #实例化，默认均值填补 imp_median = simpleimputer(strategy="median") #用中位数填补 imp_0 = simpleimputer(strategy="constant",fill_value=0) #用0填补 imp_mean = imp_mean.fit_transform(age) #fit_transform一步完成调取结果 imp_median = imp_median.fit_transform(age) imp_0 = imp_0.fit_transform(age) imp_mean[:20] imp_median[:20] imp_0[:20] #在这里我们使用中位数填补age data.loc[:,"age"] = imp_median data.info() #使用众数填补embarked embarked = data.loc[:,"embarked"].values.reshape(-1,1) imp_mode = simpleimputer(strategy = "most_frequent") data.loc[:,"embarked"] = imp_mode.fit_transform(embarked) data.info()
bonus：用pandas和numpy进行填补其实更加简单
import pandas as pd data = pd.read_csv(r"c:\work\learnbetter\micro-class\week 3 preprocessing\narrativedata.csv",index_col=0) data.head() data.loc[:,"age"] = data.loc[:,"age"].fillna(data.loc[:,"age"].median()) #.fillna 在dataframe里面直接进行填补 data.dropna(axis=0,inplace=true) #.dropna(axis=0)删除所有有缺失值的行，.dropna(axis=1)删除所有有缺失值的列 #参数inplace，为true表示在原数据集上进行修改，为false表示生成一个复制对象，不修改原数据，默认false
2.3 处理分类型特征：编码与哑变量
在机器学习中，大多数算法，譬如逻辑回归，支持向量机svm，k近邻算法等都只能够处理数值型数据，不能处理文字，在sklearn当中，除了专用来处理文字的算法，其他算法在fit的时候全部要求输入数组或矩阵，也不能够导入文字型数据（其实手写决策树和普斯贝叶斯可以处理文字，但是sklearn中规定必须导入数值型）。然而在现实中，许多标签和特征在数据收集完毕的时候，都不是以数字来表现的。比如说，学历的取值可以是["小学"，“初中”，“高中”，"大学"]，付费方式可能包含["支付宝"，“现金”，“微信”]等等。在这种情况下，为了让数据适应算法和库，我们必须将数据进行编码，即是说，将文字型数据转换为数值型。
-
preprocessing.labelencoder：标签专用，能够将分类转换为分类数值
from sklearn.preprocessing import labelencoder y = data.iloc[:,-1] #要输入的是标签，不是特征矩阵，所以允许一维 le = labelencoder() #实例化 le = le.fit(y) #导入数据 label = le.transform(y) #transform接口调取结果 le.classes_ #属性.classes_查看标签中究竟有多少类别 label #查看获取的结果label le.fit_transform(y) #也可以直接fit_transform一步到位 le.inverse_transform(label) #使用inverse_transform可以逆转 data.iloc[:,-1] = label #让标签等于我们运行出来的结果 data.head() #如果不需要教学展示的话我会这么写： from sklearn.preprocessing import labelencoder data.iloc[:,-1] = labelencoder().fit_transform(data.iloc[:,-1])
-
preprocessing.ordinalencoder：特征专用，能够将分类特征转换为分类数值
from sklearn.preprocessing import ordinalencoder #接口categories_对应labelencoder的接口classes_，一模一样的功能 data_ = data.copy() data_.head() ordinalencoder().fit(data_.iloc[:,1:-1]).categories_ data_.iloc[:,1:-1] = ordinalencoder().fit_transform(data_.iloc[:,1:-1]) data_.head()
-
preprocessing.onehotencoder：独热编码，创建哑变量
我们刚才已经用ordinalencoder把分类变量sex和embarked都转换成数字对应的类别了。在舱门embarked这一列中，我们使用[0,1,2]代表了三个不同的舱门，然而这种转换是正确的吗？
我们来思考三种不同性质的分类数据：
1） 舱门（s，c，q）
三种取值s，c，q是相互独立的，彼此之间完全没有联系，表达的是s≠c≠q的概念。这是名义变量。
2） 学历（小学，初中，高中）
三种取值不是完全独立的，我们可以明显看出，在性质上可以有高中>初中>小学这样的联系，学历有高低，但是学历取值之间却不是可以计算的，我们不能说小学 + 某个取值 = 初中。这是有序变量。
3） 体重（>45kg，>90kg，>135kg）
各个取值之间有联系，且是可以互相计算的，比如120kg - 45kg = 90kg，分类之间可以通过数学计算互相转换。这是有距变量。
然而在对特征进行编码的时候，这三种分类数据都会被我们转换为[0,1,2]，这三个数字在算法看来，是连续且可以计算的，这三个数字相互不等，有大小，并且有着可以相加相乘的联系。所以算法会把舱门，学历这样的分类特征，都误会成是体重这样的分类特征。这是说，我们把分类转换成数字的时候，忽略了数字中自带的数学性质，所以给算法传达了一些不准确的信息，而这会影响我们的建模。
类别ordinalencoder可以用来处理有序变量，但对于名义变量，我们只有使用哑变量的方式来处理，才能够尽量向算法传达最准确的信息：
这样的变化，让算法能够彻底领悟，原来三个取值是没有可计算性质的，是“有你就没有我”的不等概念。在我们的数据中，性别和舱门，都是这样的名义变量。因此我们需要使用独热编码，将两个特征都转换为哑变量。
data.head() from sklearn.preprocessing import onehotencoder x = data.iloc[:,1:-1] enc = onehotencoder(categories='auto').fit(x) result = enc.transform(x).toarray() result #依然可以直接一步到位，但为了给大家展示模型属性，所以还是写成了三步 onehotencoder(categories='auto').fit_transform(x).toarray() #依然可以还原 pd.dataframe(enc.inverse_transform(result)) enc.get_feature_names() result result.shape #axis=1,表示跨行进行合并，也就是将量表左右相连，如果是axis=0，就是将量表上下相连 newdata = pd.concat([data,pd.dataframe(result)],axis=1) newdata.head() newdata.drop(["sex","embarked"],axis=1,inplace=true) newdata.columns = ["age","survived","female","male","embarked_c","embarked_q","embarked_s"] newdata.head()
特征可以做哑变量，标签也可以吗？可以，使用类sklearn.preprocessing.labelbinarizer可以对做哑变量，许多算法都可以处理多标签问题（比如说决策树），但是这样的做法在现实中不常见，因此我们在这里就不赘述了。
2.4 处理连续型特征：二值化与分段
-
sklearn.preprocessing.binarizer
根据阈值将数据二值化（将特征值设置为0或1），用于处理连续型变量。大于阈值的值映射为1，而小于或等于阈值的值映射为0。默认阈值为0时，特征中所有的正值都映射到1。二值化是对文本计数数据的常见操作，分析人员可以决定仅考虑某种现象的存在与否。它还可以用作考虑布尔随机变量的估计器的预处理步骤（例如，使用贝叶斯设置中的伯努利分布建模）。
#将年龄二值化
data_2 = data.copy() from sklearn.preprocessing import binarizer x = data_2.iloc[:,0].values.reshape(-1,1) #类为特征专用，所以不能使用一维数组 transformer = binarizer(threshold=30).fit_transform(x) transformer
-
preprocessing.kbinsdiscretizer
这是将连续型变量划分为分类变量的类，能够将连续型变量排序后按顺序分箱后编码。总共包含三个重要参数：
| 参数 | 含义&输入 |
|---|---|
| n_bins | 每个特征中分箱的个数，默认5，一次会被运用到所有导入的特征 |
| encode | 编码的方式，默认“onehot” "onehot"：做哑变量，之后返回一个稀疏矩阵，每一列是一个特征中的一个类别，含有该 类别的样本表示为1，不含的表示为0 “ordinal”：每个特征的每个箱都被编码为一个整数，返回每一列是一个特征，每个特征下含 有不同整数编码的箱的矩阵 "onehot-dense"：做哑变量，之后返回一个密集数组。 |
| strategy | 用来定义箱宽的方式，默认"quantile" "uniform"：表示等宽分箱，即每个特征中的每个箱的最大值之间的差为 (特征.max() - 特征.min())/(n_bins) "quantile"：表示等位分箱，即每个特征中的每个箱内的样本数量都相同 "kmeans"：表示按聚类分箱，每个箱中的值到最近的一维k均值聚类的簇心得距离都相同 |
from sklearn.preprocessing import kbinsdiscretizer x = data.iloc[:,0].values.reshape(-1,1) est = kbinsdiscretizer(n_bins=3, encode='ordinal', strategy='uniform') est.fit_transform(x) #查看转换后分的箱：变成了一列中的三箱 set(est.fit_transform(x).ravel()) est = kbinsdiscretizer(n_bins=3, encode='onehot', strategy='uniform') #查看转换后分的箱：变成了哑变量 est.fit_transform(x).toarray()
上一篇： python 创建虚拟环境