特征处理

概念

特征处理是指通过特定的统计方法（数学方法）将数据转换成算法要求的数据。

1. 数值型数据：归一化、标准化、缺失值处理；
2. 类别型数据：one-hot编码；
3. 时间类型：时间的切分。

sklearn特征处理API

sklearn.preprocessing

归一化

1. 概念：通过对原始数据进行变换把数据映射到（默认为[0, 1]）指定范围。
   
2. sklearn归一化API：sklearn.preprocessing.MinMaxScaler
   语法：
   （1）实例化：MinMaxScalar（feature_range = (0, 1),……）
   即每个特征值缩放到指定范围（默认[0, 1]）
   （2）MinMaxScalar.fit_transform(X)
   X：numpy array格式的数据[n_samples, n_features]
   返回值：与转换前相同的array
3. 归一化步骤：
   （1）实例化MinMaxScalar
   （2）通过fit_transform转换

from sklearn.preprocessing import MinMaxScaler

def mm():
"""
归一化处理
:return: None
"""
# 实例化
mm = MinMaxScaler(feature_range=(2, 3))

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

return None

if __name__ == '__main__':
mm()

运行结果:

1. 归一化适用场景：
   例：
   
   若不进行归一化，在进行后续的数据处理时，如k近邻算法，会发现里程数相比其他两个特征对最终结果的影响更大。因此，在认为几个特征同等重要时，有必要对数据进行归一化处理（归一化的目的即是使某一个特征对结果不会造成更大影响）。
2. 归一化存在的问题
   当数据中存在异常点（如下图所示）时，会影响数据的最大值和最小值，所以这种方法鲁棒性较差，只适合传统精确小数据场景。
   

标准化

标准化能解决上面提出的异常点问题。

1. 概念
   标准化通过对原始数据进行变换，将数据变换到均值为0，方差为1的范围内：
   
   
   

2. sklearn标准化API：
   sklearn.preprocessing.StandardScaler
   （1）StandardScaler.fit_transform(X)
   X: numpy格式的数据[n_samples, n_features]
   返回值：与转换前形状相同的array
   （2）StandardScaler.mean
   原始数据中每列特征的平均值
   （3）StandardScaler.std
   原始数据中每列特征的方差

3. 标准化步骤
   （1）实例化StandardScaler
   （2）通过fit_transform转换

4. 标准化适用场景
   标准化在已有样本足够过的情况比较稳定，适合现代嘈杂大数据场景。

缺失值处理

1. 缺失值处理方法

1. 缺失值处理API：
   sklearn.preprocessing.Imputer
   （1）实例化：
   Imputer(missing_values = “NaN”, strategy = “mean”, axis = 0)
   注：axis=0为列方向
   （2）Imputer.fit_transform(X)
   X: numpy array格式的数据[n_samples, n_features]
   返回值：与转换前形状相同的array

2. Imputer流程：
   （1）初始化Imputer，指定“缺失值”，指定填补策略，指定行或列（缺失值也可以是别的指定要替换的值）
   （2）调用fit_transform()

3. 关于np.nan(np.NaN)
   （1）numpy的数组中可以使用np.nan或者np.NaN来代替缺失值，属于float类型；
   （2）如果是文件中的一些缺失值，可以替换成nan，通过np.array转换成float类型的数据即可。如：replace(“？”，np.nan)

from sklearn.preprocessing import Imputer
import numpy as np

def im():
"""
缺失值处理
:return:
"""
im = Imputer(missing_values="NaN", strategy="mean", axis=0)
data = im.fit_transform([[1, 2], [np.nan, 3], [7, 6]])
print(data)

return None

if __name__ == '__main__':
im()

运行结果：