python中常用的九种预处理方法分享
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],[ 0,1,-1]] sklearn.preprocessing.normalize(X,norm='l2') 得到: array([[ 0.40,-0.40,0.81],[ 1,0.70,-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。 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) 5. 标签二值化(Label binarization) 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([[0,3],[1,[0,2,1],2]]) enc.transform([[0,3]]).toarray() #array([[ 1.,0.,1.,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) 7.标签编码(Label encoding) le = sklearn.preprocessing.LabelEncoder() le.fit([1,6]) le.transform([1,6]) #array([0,2]) #非数值型转化为数值型 le.fit(["paris","paris","tokyo","amsterdam"]) le.transform(["tokyo","paris"]) #array([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。 (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |