Preprocessing data-sklearn数据预处理

2018-01-26 749 收藏

1. Standardization, or mean removal and variance scaling

Standardization即标准化，尽量将数据转化为均值为零，方差为一的数据。

实际中我们会忽略数据的分布情况，仅仅是通过改变均值来集中数据，然后将非连续特征除以他们的标准差。

sklearn中   scale函数提供了简单 快速的 single array-like数据集操作

[python]  view plain  copy

1. from sklearn import preprocessing  
2. import numpy as np  
3. x = np.array([[ 1., -1.,  2.],[ 2.,  0.,  0.],[ 0.,  1., -1.]])  
4. x_scaled = preprocessing.scale(x)  
5. print x_scaled  

output

[[ 0.         -1.22474487  1.33630621]

 [ 1.22474487  0.         -0.26726124]

 [-1.22474487  1.22474487 -1.06904497]]

  scale处理之后为零均值和单位方差：

[python]  view plain  copy

1. X_scaled.mean(axis=0)array([ 0.,  0.,  0.])  
2. X_scaled.std(axis=0)array([ 1.,  1.,  1.])  

StandardScaler 计算平均值和标准偏差在一个训练集,可以以后再申请相同的转换测试集。

[python]  view plain  copy

1. scaler=preprocessing.StandardScaler().fit(X)  
2. scalerStandardScaler(copy=True, with_mean=True, with_std=True)  
3. scaler.mean_array([ 1. ...,  0. ...,  0.33...])  
4. scaler.scale_array([ 0.81...,  0.81...,  1.24...])  
5. scaler.transform(X)array([[ 0.  ..., -1.22...,  1.33...],       [ 1.22...,  0.  ..., -0.26...],       [-1.22...,  1.22..., -1.06...]])  

同样的，将相同的转化应用到测试集合。

[python]  view plain  copy

1. scaler.transform([[-1.,1.,0.]])array([[-2.44...,  1.22..., -0.26...]])  

对于StandardScaler你也可以改变它的一些参数，例如

[python]  view plain  copy

1. scaler = preprocessing.StandardScaler(copy=True, with_mean=True, with_std=True).fit(X)  

1.1 Scaling features to a range

另一种标准化可以使用scal将特征标准化到指定的最大值和最小值之间，有连个函数： MinMaxScaler  or  MaxAbsScaler

例如转化到[0,1]之间

[python]  view plain  copy

1. X_train=np.array([[1.,-1.,2.],... [2.,0.,0.],... [0.,1.,-1.]])...  
2. min_max_scaler=preprocessing.MinMaxScaler(copy=True, feature_range=(0, 1))  
3. X_train_minmax=min_max_scaler.fit_transform(X_train)  
4. X_train_minmaxarray([[ 0.5       ,  0.        ,  1.        ],       [ 1.        ,  0.5       ,  0.33333333],       [ 0.        ,  1.        ,  0.        ]])  

同理，它也可以直接用到后续的测试集中

[python]  view plain  copy

1. X_test=np.array([[-3.,-1.,4.]])  
2. X_test_minmax=min_max_scaler.transform(X_test)  
3. X_test_minmaxarray([[-1.5       ,  0.        ,  1.66666667]])  

如果MinMaxScaler给定了feature_range，其公式为

[python]  view plain  copy

1. X_std=(X-X.min(axis=0))/(X.max(axis=0)-X.min(axis=0))X_scaled=X_std*(max-min)+min  

MaxAbsScaler 和scales工作很相似，但是 scales是将特征调整到特定值，而MaxAbsScaler对于本来中心店就是零或者稀疏的数据，是不会改变的。

1.2 Scaling sparse data

定心稀疏数据的稀疏结构会破坏数据,因此很少是一个明智的做法。然而,它可以合理规模稀疏的输入,特别是特性在不同的尺度上。

1.3 Scaling data with outliers

如果您的数据包含了许多异常值,扩展使用数据的均值和方差可能不能很好地工作。在这些情况下,您可以使用robust_scale和RobustScaler作为替代。他们使用更健壮的中心和范围的估计数据。

是否应该标准化数据：

http://www.faqs.org/faqs/ai-faq/neural-nets/part2/section-16.html

据使用sklearn.decomposition.PCA or sklearn.decomposition.RandomizedPCA with whiten=True深入的移除特征中的线性相关性。

2. Normalization

正常化的过程是缩放单个样本的单位标准。这个过程可能是有用的,如果你打算使用二次形式如点积或任何其他内核量化任何一对样本的相似性。

normalize 有l1 or l2两个标准

[python]  view plain  copy

1. X=[[1.,-1.,2.],... [2.,0.,0.],... [0.,1.,-1.]]  
2. X_normalized=preprocessing.normalize(X,norm='l2')  
3. X_normalizedarray([[ 0.40..., -0.40...,  0.81...],       [ 1.  ...,  0.  ...,  0.  ...],       [ 0.  ...,  0.70..., -0.70...]])  

它也可以像前面一样的方式使用：

[python]  view plain  copy

1. normalizer=preprocessing.Normalizer().fit(X)# fit does nothing  
2. normalizer.transform(X)  
3. array([[ 0.40..., -0.40...,  0.81...],       [ 1.  ...,  0.  ...,  0.  ...],       [ 0.  ...,  0.70..., -0.70...]])normalizer.transform([[-1.,1.,0.]])array([[-0.70...,  0.70...,  0.  ...]])  

Sparse input

normalize and Normalizer接受scipy密集的数组类和稀疏矩阵.

3. Binarization

特征二值化阈值的过程即转化为布尔值数值特性。

[python]  view plain  copy

1. X=[[1.,-1.,2.],... [2.,0.,0.],... [0.,1.,-1.]]  
2. binarizer=preprocessing.Binarizer().fit(X)# fit does nothing  
3. binarizerBinarizer(copy=True, threshold=0.0)  
4. binarizer.transform(X)array([[ 1.,  0.,  1.],       [ 1.,  0.,  0.],       [ 0.,  1.,  0.]])  

调整threshold之后：

[python]  view plain  copy

1. binarizer=preprocessing.Binarizer(threshold=1.1)  
2. binarizer.transform(X)array([[ 0.,  0.,  1.],       [ 1.,  0.,  0.],       [ 0.,  0.,  0.]])  

支持Sparse input

4. Encoding categorical features

经常会有些特征并不是连续的数值化的特征，例如["male", "female"]，它可以被表示成[1,2]，当然，sklearn是不能直接做到这样的。

但是，它可以做到将这个估计将每个分类特性与m可能值转换成二进制特征,只有一个有效。

[python]  view plain  copy

1. enc = preprocessing.OneHotEncoder()  
2. enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])    
3. OneHotEncoder(categorical_features='all', dtype=<... 'float'>,  
4.        handle_unknown='error', n_values='auto', sparse=True)  
5. enc.transform([[0, 1, 3]]).toarray()  
6. array([[ 1.,  0.,  0.,  1.,  0.,  0.,  0.,  0.,  1.]])  

其实可以通过从字典加载特征来实现上面的思想：

[python]  view plain  copy

1. measurements = [  
2.     {'city': 'Dubai', 'temperature': 33.},  
3.     {'city': 'London', 'temperature': 12.},  
4.     {'city': 'San Fransisco', 'temperature': 18.},  
5. ]  
6. from sklearn.feature_extraction import DictVectorizer  
7. vec = DictVectorizer()  
8. vec.fit_transform(measurements).toarray()array([[  1.,   0.,   0.,  33.],       [  0.,   1.,   0.,  12.],       [  0.,   0.,   1.,  18.]])  
9. vec.get_feature_names()['city=Dubai', 'city=London', 'city=San Fransisco', 'temperature']  

5. Imputation of missing values

由于各种原因，会导致真实世界中数据集会丢失部分值，如银行等。一种解决办法是去掉这些包含丢失值的行，当然，这样的话就会丢弃掉许多数据，因此可以采取更好的策略来填充丢失的数据，例如通过他们已知的数据来推测。   

Imputer 提供基本的填充方法，例如使用均值或者中位数填充。当然还有许多其他的方法。

[python]  view plain  copy

1. import numpy as np  
2. from sklearn.preprocessing import Imputer  
3. imp = Imputer(missing_values='NaN', strategy='mean', axis=0)  
4. imp.fit([[1, 2], [np.nan, 3], [7, 6]])  
5. Imputer(axis=0, copy=True, missing_values='NaN', strategy='mean', verbose=0)  
6. X = [[np.nan, 2], [6, np.nan], [7, 6]]  
7. print(imp.transform(X))            
8.                    
9. [[ 4.          2.        ]  
10.  [ 6.          3.666...]  
11.  [ 7.          6.        ]]  

缺失值也可以使用0表示：

[python]  view plain  copy

1. import scipy.sparse as sp  
2. X = sp.csc_matrix([[1, 2], [0, 3], [7, 6]])  
3. imp = Imputer(missing_values=0, strategy='mean', axis=0)  
4. imp.fit(X)  
5. Imputer(axis=0, copy=True, missing_values=0, strategy='mean', verbose=0)  
6. X_test = sp.csc_matrix([[0, 2], [6, 0], [7, 6]])  
7. print(imp.transform(X_test))                        
8. [[ 4.          2.        ]  
9.  [ 6.          3.666...]  
10.  [ 7.          6.        ]]  

6. Generating polynomial features

使用多项式特征，可以建立高阶特征和相互关联的特征：

[python]  view plain  copy

1. import numpy as np  
2. from sklearn.preprocessing import PolynomialFeatures  
3. X = np.arange(6).reshape(3, 2)  
4. X                                                   
5. array([[0, 1],  
6.        [2, 3],  
7.        [4, 5]])  
8. poly = PolynomialFeatures(2)  
9. poly.fit_transform(X)                               
10. array([[  1.,   0.,   1.,   0.,   0.,   1.],  
11.        [  1.,   2.,   3.,   4.,   6.,   9.],  
12.        [  1.,   4.,   5.,  16.,  20.,  25.]])  

转换

设置 interaction_only=True， 时只使用交互作用项

[python]  view plain  copy

1. X = np.arange(9).reshape(3, 3)  
2. X                                                   
3. array([[0, 1, 2],  
4.        [3, 4, 5],  
5.        [6, 7, 8]])  
6. poly = PolynomialFeatures(degree=3, interaction_only=True)  
7. poly.fit_transform(X)                               
8. array([[   1.,    0.,    1.,    2.,    0.,    0.,    2.,    0.],  
9.        [   1.,    3.,    4.,    5.,   12.,   15.,   20.,   60.],  
10.        [   1.,    6.,    7.,    8.,   42.,   48.,   56.,  336.]])  

转换为：

扩展维度之后的效果。

7. Custom transformers

FunctionTransformer . 可以在传递途径( pipeline )中使用转换。

以下是使用 log transformation情况。

[python]  view plain  copy

1. import numpy as np  
2. from sklearn.preprocessing import FunctionTransformer  
3. transformer = FunctionTransformer(np.log1p)  
4. X = np.array([[0, 1], [2, 3]])  
5. transformer.transform(X)  
6. array([[ 0.        ,  0.69314718],  
7.        [ 1.09861229,  1.38629436]])  

转载。原文： http://blog.csdn.net/shine19930820/article/details/50915361/

上一篇 下一篇

微信关注我们

原文链接：https://yq.aliyun.com/articles/404827

转载内容版权归作者及来源网站所有！

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

『 天池竞赛』O2O优惠券使用预测思路总结

解决方案概述 本赛题提供了用户线下消费和优惠券领取核销行为的纪录表，用户线上点击/消费和优惠券领取核销行为的纪录表，记录的时间区间是2016.01.01至2016.06.30,需要预测的是2016年7月份用户领取优惠劵后是否核销。根据这两份数据表，我们首先对数据集进行划分，然后提取了用户相关的特征、商家相关的特征，优惠劵相关的特征，用户与商家之间的交互特征，以及利用本赛题的leakage得到的其它特征（这部分特征在实际业务中是不可能获取到的）。最后训练了XGBoost，GBDT，RandomForest进行模型融合。 数据集划分 可以采用滑窗的方法得到多份训练数据集，特征区间越小，得到的训练数据集越多。以下是一种划分方式： 划取多份训练集，一方面可以增加训练样本，另一方面可以做交叉验证实验，方便调参。 特征工程 赛题提供了online和offline两份数据集，online数据集可以提取到与用户相关的特征，offline数据集可以提取到更加丰富的特征：用户相关的特征，商家相关的特征，优惠劵相关的特征，用户-商家交互特征。 另外需要指出的是，赛题提供的预测集中，包含了同一个用户在整个7月...

2018-01-27

631

上一篇

GBDT原理及利用GBDT构造新的特征-Python实现

背景 Gradient Boosting Gradient Boosting是一种Boosting的方法，它主要的思想是，每一次建立模型是在之前建立模型损失函数的梯度下降方向。损失函数是评价模型性能（一般为拟合程度+正则项），认为损失函数越小，性能越好。而让损失函数持续下降，就能使得模型不断改性提升性能，其最好的方法就是使损失函数沿着梯度方向下降（讲道理梯度方向上下降最快）。 Gradient Boost是一个框架，里面可以套入很多不同的算法。 Gradient Boosting Decision Tree 每一次建立树模型是在之前建立模型损失函数的梯度下降方向。即利用了损失函数的负梯度在当前模型的值作为回归问题提升树算法的残差近似值，去拟合一个回归树。 具体算法算理：GBDT原理-Gradient Boosting Decision Tree GBDT应用-回归和分类 GBDT分类：每一颗树拟合当前整个模型的损失函数的负梯度，构建新的树加到当前模型中形成新模型，下一棵树拟合新模型的损失函数的负梯度。下面是其在Python的sklearn包下简单调用方法。 from sklearn i...

2018-01-27

536

下一篇

相关文章

发表评论

发表

资源下载

更多资源

优质分享App

近一个月的开发和优化，本站点的第一个app全新上线。该app采用极致压缩，本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

时间: 2025-12-03 大小: 4.36MB 下载: 23次

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

时间: 2025-12-12 大小: 211.28KB 下载: 54次

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

时间: 2025-12-28 大小: 1MB 下载: 4次

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

时间: 2025-12-21 大小: 189MB 下载: 2次