preprocessing 模塊提供了數據預處理函數和預處理類，預處理類主要是為了方便添加到 pipeline 過程中。
數據標准化
標准化預處理函數：
- preprocessing.scale(X, axis=0, with_mean=True, with_std=True, copy=True)：
將數據轉化為標准正態分布（均值為0，方差為1） - preprocessing.minmax_scale(X, feature_range=(0, 1), axis=0, copy=True)：
將數據在縮放在固定區間，默認縮放到區間 [0, 1] - preprocessing.maxabs_scale(X, axis=0, copy=True)：
數據的縮放比例為絕對值最大值，並保留正負號，即在區間 [-1.0, 1.0] 內。唯一可用於稀疏數據 scipy.sparse 的標准化 - preprocessing.robust_scale(X, axis=0, with_centering=True, with_scaling=True, copy=True)：
通過 Interquartile Range (IQR) 標准化數據，即四分之一和四分之三分位點之間
它們對應的標准化預處理類：
- class preprocessing.StandardScaler(copy=True, with_mean=True, with_std=True)：
標准正態分布化的類
屬性：- scale_：ndarray，縮放比例
- mean_：ndarray，均值
- var_：ndarray，方差
- n_samples_seen_：int，已處理的樣本個數，調用
partial_fit()時會累加，調用fit()會重設
- class preprocessing.MinMaxScaler(feature_range=(0, 1), copy=True)：
將數據在縮放在固定區間的類，默認縮放到區間 [0, 1]
屬性：- min_：ndarray，縮放后的最小值偏移量
- scale_：ndarray，縮放比例
- data_min_：ndarray，數據最小值
- data_max_：ndarray，數據最大值
- data_range_：ndarray，數據最大最小范圍的長度
- class preprocessing.MaxAbsScaler(copy=True)：
數據的縮放比例為絕對值最大值，並保留正負號，即在區間 [-1.0, 1.0] 內。可以用於稀疏數據 scipy.sparse
屬性：- scale_：ndarray，縮放比例
- max_abs_：ndarray，絕對值最大值
- n_samples_seen_：int，已處理的樣本個數
- class preprocessing.RobustScaler(with_centering=True, with_scaling=True, copy=True)：
通過 Interquartile Range (IQR) 標准化數據，即四分之一和四分之三分位點之間
屬性：- center_：ndarray，中心點
- scale_：ndarray，縮放比例
- class preprocessing.KernelCenterer：
生成 kernel 矩陣，用於將 svm kernel 的數據標准化（參考資料不全）
以上幾個標准化類的方法：
- fit(X[, y])：根據數據 X 的值，設置標准化縮放的比例
- transform(X[, y, copy])：用之前設置的比例標准化 X
- fit_transform(X[, y])：根據 X 設置標准化縮放比例並標准化
- partial_fit(X[, y])：累加性的計算縮放比例
- inverse_transform(X[, copy])：將標准化后的數據轉換成原數據比例
- get_params([deep])：獲取參數
- set_params(**params)：設置參數
數據歸一化
- preprocessing.normalize(X, norm='l2', axis=1, copy=True)：
將數據歸一化到區間 [0, 1]，norm 可取值 'l1'、'l2'、'max'。可用於稀疏數據 scipy.sparse - class preprocessing.Normalizer(norm='l2', copy=True)：
數據歸一化的類。可用於稀疏數據 scipy.sparse
方法：fit(X[, y])、transform(X[, y, copy])、fit_transform(X[, y])、get_params([deep])、set_params(**params)
數據二值化
- preprocessing.binarize(X, threshold=0.0, copy=True)：
將數據轉化為 0 和 1，其中小於等於 threshold 為 0，可用於稀疏數據 scipy.sparse - class preprocessing.Binarizer(threshold=0.0, copy=True)：
二值化處理的類，可用於稀疏數據 scipy.sparse
方法：fit(X[, y])、transform(X[, y, copy])、fit_transform(X[, y])、get_params([deep])、set_params(**params)，其中 fit 函數不會做任何操作
類別數據編碼
數據的某些特征是文本，特征是無序的，比如國籍，但數字是有序的，所以不能直接用數字編碼
-
class preprocessing.OneHotEncoder(n_values='auto', categorical_features='all', dtype='float', sparse=True, handle_unknown='error')：
將具有多個類別的特征轉換為多維二元特征，所有二元特征互斥，當某個二元特征為 1 時，表示取某個類別
參數：- n_values：處理的類別個數，可以為‘auto’，int 或者 int數組
- categorical_features：被當作類別來處理的特征，可以為“all”或者下標數組指定或者mask數組指定
屬性：
- active_features_：ndarray，實際處理的類別數
- feature_indices_：ndarray，第 i 個原特征在轉換后的特征中的下標在 feature_indices_[i] 和 feature_indices_[i+1] 之間
- n_values_：ndarray，每維的類別數
方法：fit(X[, y])、transform(X[, y, copy])、fit_transform(X[, y])、get_params([deep])、set_params(**params)
-
class preprocessing.LabelBinarizer(neg_label=0, pos_label=1, sparse_output=False)：
和 OneHotEncoder 類似，將類別特征轉換為多維二元特征，並將每個特征擴展成用一維表示
屬性：- classes：ndarry，所有類別的值
- y_type_：str
- multilabel_：bool
- sparse_input_：bool
- indicator_matrix_：str
方法：fit(X[, y])、transform(X[, y, copy])、fit_transform(X[, y])、inverse_transform(y)、get_params([deep])、set_params(**params)
-
preprocessing.label_binarize(y, classes, neg_label=0, pos_label=1, sparse_output=False)：
LabelBinarizer 類對應的處理函數 -
class preprocessing.LabelEncoder：
將類別特征標記為 0 到 n_classes - 1 的數
方法：fit(X[, y])、transform(X[, y, copy])、fit_transform(X[, y])、inverse_transform(y)、get_params([deep])、set_params(**params) -
class preprocessing.MultiLabelBinarizer(classes=None, sparse_output=False)：
和 LabelBinarizer 類似
feature_extraction.DictVectorizer類
patsy包
數據缺失
-
class preprocessing.Imputer(missing_values='NaN', strategy='mean', axis=0, verbose=0, copy=True)：
參數：- missing_values：int 或者 “NaN”，對np.nan的值用 "NaN"
- strategy："mean"、"median"、"most_frequent"
屬性：
- statistics_：ndarray，當axis==0時，取每列填補時用的值
方法：fit(X[, y])、transform(X[, y, copy])、fit_transform(X[, y])、get_params([deep])、set_params(**params)
生成多項式數據
可以將數據多項式結合生成多維特征，比如 [a, b] 的二次多項式特征為 [1, a, b, a^2, ab, b^2]
-
class preprocessing.PolynomialFeatures(degree=2, interaction_only=False, include_bias=True)：
參數：- degree：int，多項式次數
- interaction_only：boolean，是否只產生交叉相乘的特征
- include_bias：boolean，是否包含偏移列，即全為 1 的列
屬性：
- powers_：ndarray，二維數組。powers_[i, j] 表示第 i 維輸出中包含的第 j 維輸入的次數
- n_input_features_：int，輸入維數
- n_output_features_：int，輸出維數
方法：fit(X[, y])、transform(X[, y, copy])、fit_transform(X[, y])、get_params([deep])、set_params(**params)
增加偽特征
- preprocessing.add_dummy_feature(X, value=1.0)：
在 X 的第一列插入值為 value 的列
自定義數據轉換
可以使用自定義的 python 函數來轉換數據
- class preprocessing.FunctionTransformer(func=None, validate=True, accept_sparse=False, pass_y=False)：
方法：fit(X[, y])、transform(X[, y, copy])、fit_transform(X[, y])、get_params([deep])、set_params(**params)
參考資料
User Guide：http://scikit-learn.org/stable/modules/preprocessing.html
API：http://scikit-learn.org/stable/modules/classes.html#module-sklearn.preprocessing