機器學習中數據清洗&預處理

數據預處理是建立機器學習模型的第一步，對最終結果有決定性的作用：如果你的數據集沒有完成數據清洗和預處理，那么你的模型很可能也不會有效

第一步，導入數據

進行學習的第一步，我們需要將數據導入程序以進行下一步處理

加載 nii 文件並轉為 numpy 數組

import nibabel as nib
from skimage import transform
import os
import numpy as np

img = nib.load(img_file)  
img = img.get_fdata()  
img = transform.resize(img[:, :, :, 0], (256, 256, 5))  
img = np.squeeze(img)  
train_img[i - 1, :, :, :] = img[:, :, :]  

第二步，數據預處理

Python提供了多種多樣的庫來完成數據處理的的工作，最流行的三個基礎的庫有：Numpy、Matplotlib 和 Pandas。Numpy 是滿足所有數學運算所需要的庫，由於代碼是基於數學公式運行的，因此就會使用到它。Maplotlib（具體而言，Matplotlib.pyplot）則是滿足繪圖所需要的庫。Pandas 則是最好的導入並處理數據集的一個庫。對於數據預處理而言，Pandas 和 Numpy 基本是必需的

在導入庫時，如果庫名較長，最好能賦予其縮寫形式，以便在之后的使用中可以使用簡寫。如

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

導入數據

import pandas as pd

def read_data(file_name : str):
    suffix = file_name.split('.')
    if suffix[1] == "csv":
        dataset = pd.read_csv(file_name)
        return dataset
    return None

讀取的數據為

	animal	age	worth	friendly
0	cat	3	1200.0	yes
1	dog	4	2400.0	yes
2	dog	3	7000.0	no
3	cat	2	3400.0	yes
4	moose	6	4000.0	no
5	moose	3	NaN	yes

將數據划分為因變量和自變量($ y = f(x)$)

dataset = read_data("data.csv")  # pandas.core.frame.DataFrame
print(dataset)
x = dataset.iloc[:, :-1].values  # 將Dataframe轉為數組,且不包括最后一列
y = dataset.iloc[:, 3].values  # dataset最后一列

\[x = \begin{bmatrix} {'cat'} & {3} & {1200.0} \\ {'dog'} & {4} & {2400.0} \\ {'dog'} & {3} & {7000.0} \\ {'cat'} & {2} & {3400.0} \\ {'moose'} & {6} & {4000.0} \\ {'moose'} & {3} & {nan} \end{bmatrix} \\ y = ['yes', 'yes', 'no', 'yes', 'no', 'yes'] \]

可見 \(x\) 中是有一項數據是缺失的，此時可以使用 scikit-learn 預處理模型中的 imputer 類來填充缺失項

from sklearn.preprocessing import Imputer

imputer = Imputer(missing_values = np.nan, strategy = 'mean', axis = 0) # 使用均值填充缺失數據
imputer = imputer.fit(x[:, 1:3])
x[:, 1:3] = imputer.transform(x[:, 1:3])

其中 missing_values 指定了待填充的缺失項值， strategy 指定填充策略，此處填充策略使用的是均值填充，也可以使用中值，眾數等策略

填充結果

\[\begin{bmatrix} {'cat'} & {3} & {1200.0} \\ {'dog'} & {4} & {2400.0} \\ {'dog'} & {3} & {7000.0} \\ {'cat'} & {2} & {3400.0} \\ {'moose'} & {6} & {4000.0} \\ {'moose'} & {3} & {3600.0} \\ \end{bmatrix} \]

這種填充適用於數字的填充，如果是屬性填充，我們可以將屬性數據編碼為數值。此時我們可以使用 sklearn.preprocessing 所提供的 LabelEncoder 類

from sklearn.preprocessing import LabelEncoder

print(y)
labelencoder = LabelEncoder()
y = labelencoder.fit_transform(y)
print(y)

編碼結果

\[y = ['yes', 'yes', 'no', 'yes', 'no', 'yes'] \\ \Downarrow \\ y = [1, 1, 0, 1, 0, 1] \]

訓練集與測試集的划分

此時我們可以使用 sklearn.model_selection.train_test_split 來進行划分

from sklearn.model_selection import train_test_split

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=0)

進行測試集與訓練集划分的一種常見的方法是將數據集按 80/20 進行划分，其中 80% 的數據用作訓練，20% 的數據用作測試，由 test_size = 0.2 指明，random_state 指定是否隨機划分

特征縮放

當我們的數據跨度很大的話或者在某些情況下（如：學習時，模型可能會因數據的大小而給予不同的權重，而我們並不需要如此的情況），我們可以將數據特征進行縮放，使用 sklearn.preprocessing.StandardScaler

from sklearn.preprocessing import StandardScaler

x[:, 0] = labelencoder.fit_transform(x[:, 0]) # 將屬性變為數字
print(x_train)
sc_x = StandardScaler() #
x_train = sc_x.fit_transform(x_train)
x_test = sc_x.transform(x_test)
print(x_train)

結果

\[\begin{bmatrix} {1} & {4.0} & {2400.0} \\ {0} & {2.0} & {3400.0} \\ {0} & {3.0} & {1200.0} \\ {2} & {6.0} & {4000.0} \end{bmatrix} \]

\[\Downarrow \]

\[\begin{bmatrix} {0.30151134} & {0.16903085} & {-0.32961713} \\ {-0.90453403} & {-1.18321596} & {0.61214609} \\ {-0.90453403} & {-0.50709255} & {-1.45973299} \\ {1.50755672} & {1.52127766} & {1.17720402} \end{bmatrix} \]