前言

本篇文章主要講解Python的sklearn庫(kù)中常用的數(shù)據(jù)預(yù)處理方法，主要介紹工具中的內(nèi)容，即該庫(kù)中的相關(guān)方法包含的常用接口和基本使用，并不適合手把手入門(mén)學(xué)習(xí)，此外將涉及更少的原理和使用情況說(shuō)明。

sklearn中的數(shù)據(jù)預(yù)處理

• sklearn.preprocessing：sklearn中的數(shù)據(jù)預(yù)處理模塊
• sklearn.impute：sklearn中的缺失值填充模塊

本文主要涉及的方法：

• 極差歸一化：sklearn.preprocessing.MinMaxScaler
• 數(shù)據(jù)標(biāo)準(zhǔn)化：sklearn.preprocessing.StandardScaler
• 標(biāo)簽編碼：sklearn.preprocessing.LabelEncoder
• 特征編碼：sklearn.preprocessing.OrdinalEncoder
• 數(shù)據(jù)二值化：sklearn.preprocessing.Binarizer
• 數(shù)據(jù)分箱：sklearn.preprocessing.KBinsDiscretizer
• 缺失值處理：sklearn.impute.SimpleImputer

ps：擬合的時(shí)候可以傳入多個(gè)特征數(shù)據(jù)，sklearn中的方法大多都會(huì)自動(dòng)分別對(duì)每一列進(jìn)行處理，但sklearn一般不支持一維數(shù)據(jù)導(dǎo)入，至少為二維，若想傳入一維數(shù)組進(jìn)行處理可以使用reshape(-1, 1)轉(zhuǎn)為二維數(shù)組，若想傳入單個(gè)Series對(duì)象則需要先將其轉(zhuǎn)為DataFrame對(duì)象。

數(shù)據(jù)無(wú)量綱化

極差歸一化：統(tǒng)一量綱，將某特征下所有的值歸一化在指定范圍內(nèi)，默認(rèn)該范圍為 [0,1][0, 1][0,1]，也可以手動(dòng)確定范圍。

常用接口如下：

import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler
data = pd.DataFrame(np.random.randint(10, 100, (5, 2)))  # 準(zhǔn)備測(cè)試數(shù)據(jù)
# 常用接口
scaler = MinMaxScaler()  # 默認(rèn)范圍為 [0,1]
scaler = MinMaxScaler(feature_range=[5, 10])  # 自定義歸一化數(shù)據(jù)范圍
scaler.fit(data)  # 擬合數(shù)據(jù)
scaler.partial_fit(data)  # 數(shù)據(jù)量大的時(shí)候fit()報(bào)錯(cuò)，可以使用partial_fit()
result = scaler.transform(data)   # 變換數(shù)據(jù)
result = scaler.fit_transform(data)    # 擬合和變換一步達(dá)成
data = scaler.inverse_transform(result)  # 逆向變換

.partial_fit()：該方法是一種增量學(xué)習(xí)的方式，可以逐步從流式數(shù)據(jù)中學(xué)習(xí)縮放參數(shù)，當(dāng)數(shù)據(jù)量太大導(dǎo)致 .fit() 接口報(bào)錯(cuò)時(shí)，可以使用該接口

我們把大批量的數(shù)據(jù)想象成一個(gè)大湖，既然我們無(wú)法一次性將這個(gè)大湖中的所有水進(jìn)行處理（學(xué)習(xí)），但我們可以將其延伸出來(lái)一條小河，對(duì)順著小何流動(dòng)的水（數(shù)據(jù)流）不斷進(jìn)行處理（學(xué)習(xí)）。

• 增量學(xué)習(xí)：是一種可以逐步從新數(shù)據(jù)中學(xué)習(xí)的機(jī)器學(xué)習(xí)方法。它不需要重新訓(xùn)練整個(gè)模型,而是可迭代地更新模型參數(shù)。
• 流式數(shù)據(jù)：指的是連續(xù)不斷產(chǎn)生的數(shù)據(jù)流

Z-score標(biāo)準(zhǔn)化：統(tǒng)一量綱，且變換后的數(shù)據(jù)服從均值為0方差為1的標(biāo)準(zhǔn)正態(tài)分布。

常用接口如下：和MinMaxScaler基本一樣

import pandas as pd
import numpy as np
from sklearn.preprocessing import StandardScaler
data = pd.DataFrame(np.random.randint(10, 100, (5, 2)))  # 準(zhǔn)備測(cè)試數(shù)據(jù)
# 常用接口
scaler = StandardScaler()  # 創(chuàng)建對(duì)象
scaler.fit(data)  # 擬合數(shù)據(jù)
scaler.partial_fit(data)  # 數(shù)據(jù)量大的時(shí)候fit()報(bào)錯(cuò)，可以使用partial_fit()
result = scaler.transform(data)  # 變換數(shù)據(jù)
result = scaler.fit_transform(data)  # 擬合和變換一步達(dá)成
data = scaler.inverse_transform(result)  # 逆向變換
# 常用屬性
scaler.var_  # 擬合后查看各列數(shù)據(jù)的方差
scaler.mean_  # 擬合后查看各列數(shù)據(jù)的均值

對(duì)于 StandardScaler 和 MinMaxScaler 來(lái)說(shuō)，空值NaN會(huì)被當(dāng)做是缺失值，在 fit 的時(shí)候忽略，在 transform 的時(shí)候保持缺失 NaN 的狀態(tài)顯示。

缺失值處理

SimpleImputer 是sklearn中的簡(jiǎn)單填充方案，可以填充均值、中位數(shù)、眾數(shù)或特定值

常用參數(shù)：

missing_values：改組數(shù)據(jù)中的缺失值是什么樣的，默認(rèn)為 np.nan

strategy：填充策略，默認(rèn)為'mean'

• 'mean'：均值填充
• 'median'：中位數(shù)填充
• 'most_frequent'：眾數(shù)填充
• 'constant'：填充固定值，該值在 fill_value參數(shù)中設(shè)置

fill_value：在 strategy 參數(shù)設(shè)置為 'constant' 時(shí)，設(shè)置填充值

copy：默認(rèn)為T(mén)rue，給處理后的數(shù)據(jù)創(chuàng)建副本并返回，否則在原對(duì)象上進(jìn)行修改

常用接口：

import pandas as pd
import numpy as np
from sklearn.impute import SimpleImputer
data = pd.DataFrame(np.random.randint(10, 100, (5, 2)))  # 準(zhǔn)備測(cè)試數(shù)據(jù)
# 常用接口
imp_mean = SimpleImputer()  # 均值填充缺失值
imp_median = SimpleImputer(strategy='median')  # 中位數(shù)填充缺失值
imp_mode = SimpleImputer(strategy='most_frequent')  # 眾數(shù)填充
imp_0 = SimpleImputer(strategy='constant', fill_value=0)  # 0填充
imp_mean.fit(data)  # 擬合數(shù)據(jù)
result = imp_mean.transform(data)  # 變換數(shù)據(jù)
result = imp_mean.fit_transform(data)  # 擬合和變換一步到位

除了使用sklearn中的SimpleImputer進(jìn)行簡(jiǎn)單填充，利用pandas也可以直接進(jìn)行填充：

import pandas as pd
import numpy as np
data = pd.DataFrame(np.random.randint(10, 100, (5, 2)))  # 準(zhǔn)備測(cè)試數(shù)據(jù)
data.iloc[0:2, 0:2] = np.nan
# 使用pandas進(jìn)行缺失值填充
result = data.fillna(0)  # 0填充所有缺失值
# 均值填充第0列,中位數(shù)填充、眾數(shù)填充同理
result = data.iloc[:, 0] = data.iloc[:, 0].fillna(data.iloc[:, 0].mean())  
result = data.dropna(axis=0)  # 刪除所有含有缺失值的樣本數(shù)據(jù)

注意：pandas中的.mean()和.median()方法返回對(duì)應(yīng)均值或中位數(shù)，但由于眾數(shù)可能含有多個(gè)，取眾數(shù).mode()方法返回的是一個(gè)Series對(duì)象，填充時(shí)取其中的任意值即可，一般取索引為0的值。

中位數(shù)只可能是一個(gè)或者兩個(gè)，若為兩個(gè)，則取這兩個(gè)數(shù)的均值，但眾數(shù)則可能有很多個(gè)

編碼和啞變量

LabelEncoder和OrdinalEncoder分別用于給標(biāo)簽和特征數(shù)據(jù)進(jìn)行編碼，主要用于非名義變量。

import pandas as pd
from sklearn.preprocessing import LabelEncoder, OrdinalEncoder, OneHotEncoder
# 準(zhǔn)備測(cè)試數(shù)據(jù)
data_dic = {
    '性別': ['男', '女', '女', '男', '女'],
    '學(xué)歷': ['小學(xué)', '初中', '初中', '大學(xué)', '高中'],
    '標(biāo)簽': ['標(biāo)簽3', '標(biāo)簽1', '標(biāo)簽2', '標(biāo)簽3', '標(biāo)簽2'],
}
data = pd.DataFrame(data_dic) 
# 常用接口
le = LabelEncoder()  # 創(chuàng)建對(duì)象
oe = OrdinalEncoder()
le = le.fit(data.loc[:, '標(biāo)簽'])  # 擬合數(shù)據(jù)
result = le.transform(data.loc[:, '標(biāo)簽'])  # 變換數(shù)據(jù)
result = le.fit_transform(data.loc[:, '標(biāo)簽'])  # 擬合和變換一步達(dá)成
data = le.inverse_transform(result)  # 逆向變換
data = pd.DataFrame(data_dic)
# 一般這樣寫(xiě)
result = LabelEncoder().fit_transform(data.loc[:, '標(biāo)簽']) 
result = OrdinalEncoder().fit_transform(data.loc[:, ['性別', '學(xué)歷']])
# 常用屬性
le.classes_   # 返回原來(lái)的字符串標(biāo)簽唯一值數(shù)組, 按該數(shù)組順序編號(hào)
oe.categories_    # 返回原來(lái)的字符串標(biāo)簽數(shù)組, 按該數(shù)組順序編號(hào)

OrdinalEcoder和LabelEncoder用法和接口幾乎一致，區(qū)別在于LabelEncoder可以處理一維數(shù)據(jù)，且使用.classes_屬性來(lái)查看標(biāo)簽編號(hào)數(shù)組，OrdinalEncoder不能處理一維數(shù)據(jù)，且使用.categories_屬性來(lái)查看標(biāo)簽編號(hào)數(shù)組

OneHotEncoder獨(dú)熱編碼主要用于名義變量，將特征轉(zhuǎn)換為啞變量。

特征可以轉(zhuǎn)換為啞變量，標(biāo)簽也可以，許多算法可以處理多標(biāo)簽問(wèn)題，但這樣的做法在現(xiàn)實(shí)中不常見(jiàn)。

常用參數(shù)：

categories：表示每個(gè)特征都有哪些類(lèi)別，默認(rèn)為 'auto'，一般情況我們都用默認(rèn)值

• 'auto'：為自行判斷
• 嵌套列表：列表中里面每個(gè)元素都是一個(gè)包含特征類(lèi)別的列表。

'handle_unknown'：表示對(duì)于未注明特征或類(lèi)別的處理方式，默認(rèn)為 'error'

• 'error'：設(shè)置categories后，算法遇到了列表中沒(méi)有包含的特征或類(lèi)別時(shí)，會(huì)報(bào)錯(cuò)，
• 'ignore'：未在 categories 注明的特征或類(lèi)別的啞變量都會(huì)顯示0，在逆向變換時(shí)未知特征或類(lèi)別則會(huì)顯示None

import pandas as pd
from sklearn.preprocessing import OneHotEncoder
# 準(zhǔn)備測(cè)試數(shù)據(jù)
data_dic = {
    '性別': ['男', '女', '女', '男', '女'],
    '學(xué)歷': ['小學(xué)', '初中', '初中', '大學(xué)', '高中'],
    '標(biāo)簽': ['標(biāo)簽3', '標(biāo)簽1', '標(biāo)簽2', '標(biāo)簽3', '標(biāo)簽2'],
}
data = pd.DataFrame(data_dic) 
# 常用接口
encoder = OneHotEncoder()
encoder.fit(data[['性別']])  # 擬合數(shù)據(jù)
result = encoder.transform(data[['性別']])  # 變換數(shù)據(jù)
result = encoder.fit_transform(data[['性別']])  # 擬合和變換一步到位
data = encoder.inverse_transform(result)  # 逆向變換
# 一般這樣寫(xiě)
result = OneHotEncoder().fit_transform(data[['性別']])

注意：OneHotEncoder在transform后返回的是稀疏矩陣，需要使用 .toarray() 方法轉(zhuǎn)為矩陣(二維數(shù)組)；inverse_transfrom可以接收稀疏矩陣也可以接收正常的矩陣，返回正常的矩陣。

此外，在經(jīng)過(guò)OneHotEncoder處理后我們需要自行使用pandas將啞變量拼接到原矩陣（pd.concat()）和刪除原來(lái)的特征（pd.drop()）

連續(xù)型特征處理

Binarizer用于將數(shù)據(jù)二值化，所謂數(shù)據(jù)二值化，就是設(shè)置一個(gè)閾值，小于等于該閾值的記為0，大于該閾值的記為1。

常用接口：

import numpy as np
from sklearn.preprocessing import Binarizer
data = np.arange(10, 20).reshape(-1, 1)
bin = Binarizer(threshold=15)  # 默認(rèn)threshold為0
bin.fit(data)  # 擬合數(shù)據(jù)
result = bin.transform(data)  # 變換數(shù)據(jù)
result = bin.fit_transform(data)  # 擬合和變換一步達(dá)成
# 一般這樣用
result = Binarizer(threshold=15).fit_transform(data)

KBinsDiscretizer用于將連續(xù)型變量劃分為分類(lèi)變量，能夠?qū)⑦B續(xù)型變量排序后按順序分箱后編碼。

常用參數(shù)：

'n_bins'：每個(gè)特征中分箱的個(gè)數(shù)，默認(rèn)為5，

'encode'：編碼方式，默認(rèn)為 'onehot'

• 'onehot'：獨(dú)熱編碼為啞變量，返回一個(gè)稀疏矩陣
• 'onehot-dense'：獨(dú)熱編碼為啞變量，返回一個(gè)密集矩陣 (一般的矩陣)
• 'ordinal'：每個(gè)特征的每箱數(shù)據(jù)都被編碼為一個(gè)整數(shù)，返回編碼后的矩陣

'strategy'：定義分箱方式，默認(rèn)為 'quantile'

• 'uniform'：等寬分箱，每個(gè)特征的每箱數(shù)據(jù)中的極差不得高于 max(x)−min(x)Nbins\frac{max(x)-min(x)}{N_{bins}}Nbins?max(x)−min(x)?，其中 xxx 表示某特征下的數(shù)據(jù)，NbinsN_{bins}Nbins? 表示分箱個(gè)數(shù)
• 'quantile'：等位分箱，即每個(gè)特征中的每個(gè)箱內(nèi)的樣本數(shù)量都相同
• 'kmeans'：按kmeans聚類(lèi)分箱，每個(gè)箱中的值到最近的一維k均值聚類(lèi)的簇心的距離都相同

常用接口：

import numpy as np
import pandas as pd
from sklearn.preprocessing import KBinsDiscretizer
data = pd.DataFrame(np.random.randint(10, 100, (5, 2)))  # 準(zhǔn)備測(cè)試數(shù)據(jù)
est = KBinsDiscretizer(n_bins=3, encode='ordinal', strategy='quantile')
est.fit(data)  # 擬合數(shù)據(jù)
result = est.transform(data)  # 變換數(shù)據(jù)
result = est.fit_transform(data)  # 擬合和變換一步到位
data = est.inverse_transform(result)  # 
# 一般這樣用
result = KBinsDiscretizer(n_bins=3, encode='ordinal', strategy='quantile').fit_transform(data)

需要注意的是，這里的inverse_transform已經(jīng)無(wú)法將數(shù)據(jù)轉(zhuǎn)為原來(lái)的數(shù)據(jù)，因?yàn)樵谶M(jìn)行分箱離散化時(shí),原始的連續(xù)值已經(jīng)被轉(zhuǎn)換到了分箱區(qū)間中，inverse_transform不可能恢復(fù)到與原始值完全相同的結(jié)果，但是它可以通過(guò)區(qū)間映射，將分類(lèi)變量映射回連續(xù)值的范圍中，從而部分恢復(fù)原始數(shù)據(jù)的連續(xù)分布區(qū)間，結(jié)果并不會(huì)每一個(gè)值都完全等于原始數(shù)據(jù)，但整體上逼近了原始數(shù)據(jù)的分布范圍。

不建議使用inverse_transform，因?yàn)槟嫦蜃儞Q后的數(shù)據(jù)已經(jīng)不是原本的數(shù)據(jù)了。

到此這篇關(guān)于詳解python sklearn中的數(shù)據(jù)預(yù)處理方法的文章就介紹到這了,更多相關(guān)python sklearn數(shù)據(jù)預(yù)處理內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論