sklearn中的數據預處理和特征工程

　　小伙伴們大家好~o(￣▽￣)ブ，沉寂了這么久我又出來啦，這次先不翻譯優質的文章了，這次我們回到Python中的機器學習，看一下Sklearn中的數據預處理和特征工程，老規矩還是先強調一下我的開發環境是Jupyter lab，所用的庫和版本大家參考：

　　Python 3.7.1（你的版本至少要3.4以上）

　　Scikit-learn 0.20.0 （你的版本至少要0.19）

　　Numpy 1.15.3, Pandas 0.23.4, Matplotlib 3.0.1, SciPy 1.1.0

 

1 sklearn中的數據預處理和特征工程

　　sklearn中包含眾多數據預處理和特征工程相關的模塊，雖然剛接觸sklearn時，大家都會為其中包含的各種算法的廣度深度所震驚，但其實sklearn六大板塊中有兩塊都是關於數據預處理和特征工程的，兩個板塊互相交互，為建模之前的全部工程打下基礎。

• 模塊preprocessing：幾乎包含數據預處理的所有內容

• 模塊Impute：填補缺失值專用

• 模塊feature_selection：包含特征選擇的各種方法的實踐

• 模塊decomposition：包含降維算法

2 數據預處理 Preprocessing & Impute

2.1 數據無量綱化

　　在機器學習算法實踐中，我們往往有着將不同規格的數據轉換到同一規格，或不同分布的數據轉換到某個特定分布的需求，這種需求統稱為將數據“無量綱化”。譬如梯度和矩陣為核心的算法中，譬如邏輯回歸，支持向量機，神經網絡，無量綱化可以加快求解速度；而在距離類模型，譬如K近鄰，K-Means聚類中，無量綱化可以幫我們提升模型精度，避免某一個取值范圍特別大的特征對距離計算造成影響。（一個特例是決策樹和樹的集成算法們，對決策樹我們不需要無量綱化，決策樹可以把任意數據都處理得很好。）

　　數據的無量綱化可以是線性的，也可以是非線性的。線性的無量綱化包括中心化（Zero-centered或者Mean-subtraction）處理和縮放處理（Scale）。中心化的本質是讓所有記錄減去一個固定值，即讓數據樣本數據平移到某個位置。縮放的本質是通過除以一個固定值，將數據固定在某個范圍之中，取對數也算是一種縮放處理。

 

• preprocessing.MinMaxScaler

　　當數據(x)按照最小值中心化后，再按極差（最大值 - 最小值）縮放，數據移動了最小值個單位，並且會被收斂到[0,1]之間，而這個過程，就叫做數據歸一化(Normalization，又稱Min-Max Scaling)。注意，Normalization是歸一化，不是正則化，真正的正則化是regularization，不是數據預處理的一種手段。歸一化之后的數據服從正態分布，公式如下：

 

　　在sklearn當中，我們使用preprocessing.MinMaxScaler來實現這個功能。MinMaxScaler有一個重要參數，feature_range，控制我們希望把數據壓縮到的范圍，默認是[0,1]。

from sklearn.preprocessing import MinMaxScaler
​
data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
​
#不太熟悉numpy的小伙伴，能夠判斷data的結構嗎？
#如果換成表是什么樣子？
import pandas as pd
pd.DataFrame(data)
​
#實現歸一化
scaler = MinMaxScaler()                             #實例化
scaler = scaler.fit(data)                           #fit，在這里本質是生成min(x)和max(x)
result = scaler.transform(data)                     #通過接口導出結果
result
​
result_ = scaler.fit_transform(data)                #訓練和導出結果一步達成
​
scaler.inverse_transform(result)                    #將歸一化后的結果逆轉
​
#使用MinMaxScaler的參數feature_range實現將數據歸一化到[0,1]以外的范圍中
​
data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
scaler = MinMaxScaler(feature_range=[5,10])         #依然實例化
result = scaler.fit_transform(data)                 #fit_transform一步導出結果
result
​
#當X中的特征數量非常多的時候，fit會報錯並表示，數據量太大了我計算不了
#此時使用partial_fit作為訓練接口
#scaler = scaler.partial_fit(data)

 

 

BONUS: 使用numpy來實現歸一化

import numpy as np
X = np.array([[-1, 2], [-0.5, 6], [0, 10], [1, 18]])
​
#歸一化
X_nor = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
X_nor
​
#逆轉歸一化
X_returned = X_nor * (X.max(axis=0) - X.min(axis=0)) + X.min(axis=0)
X_returned

 

• preprocessing.StandardScaler

　　當數據(x)按均值(μ)中心化后，再按標准差(σ)縮放，數據就會服從為均值為0，方差為1的正態分布（即標准正態分布），而這個過程，就叫做數據標准化(Standardization，又稱Z-score normalization)，公式如下：

 

from sklearn.preprocessing import StandardScaler
data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
​
scaler = StandardScaler()               #實例化
scaler.fit(data)                        #fit，本質是生成均值和方差
​
scaler.mean_                            #查看均值的屬性mean_
scaler.var_                             #查看方差的屬性var_
​
x_std = scaler.transform(data)          #通過接口導出結果
​
x_std.mean()                            #導出的結果是一個數組，用mean()查看均值
x_std.std()                             #用std()查看方差
​
scaler.fit_transform(data)              #使用fit_transform(data)一步達成結果
​
scaler.inverse_transform(x_std)         #使用inverse_transform逆轉標准化

 

　　對於StandardScaler和MinMaxScaler來說，空值NaN會被當做是缺失值，在fit的時候忽略，在transform的時候保持缺失NaN的狀態顯示。並且，盡管去量綱化過程不是具體的算法，但在fit接口中，依然只允許導入至少二維數組，一維數組導入會報錯。通常來說，我們輸入的X會是我們的特征矩陣，現實案例中特征矩陣不太可能是一維所以不會存在這個問題。

 

• StandardScaler和MinMaxScaler選哪個？

　　看情況。大多數機器學習算法中，會選擇StandardScaler來進行特征縮放，因為MinMaxScaler對異常值非常敏感。在PCA，聚類，邏輯回歸，支持向量機，神經網絡這些算法中，StandardScaler往往是最好的選擇。

　　MinMaxScaler在不涉及距離度量、梯度、協方差計算以及數據需要被壓縮到特定區間時使用廣泛，比如數字圖像處理中量化像素強度時，都會使用MinMaxScaler將數據壓縮於[0,1]區間之中。

　　建議先試試看StandardScaler，效果不好再換MinMaxScaler。

　　除了StandardScaler和MinMaxScaler之外，sklearn中也提供了各種其他縮放處理（中心化只需要一個pandas廣播一下減去某個數就好了，因此sklearn不提供任何中心化功能）。比如，在希望壓縮數據，卻不影響數據的稀疏性時（不影響矩陣中取值為0的個數時），我們會使用MaxAbsScaler；在異常值多，噪聲非常大時，我們可能會選用分位數來無量綱化，此時使用RobustScaler。更多詳情請參考以下列表。

 

2.2 缺失值

機器學習和數據挖掘中所使用的數據，永遠不可能是完美的。很多特征，對於分析和建模來說意義非凡，但對於實際收集數據的人卻不是如此，因此數據挖掘之中，常常會有重要的字段缺失值很多，但又不能舍棄字段的情況。因此，數據預處理中非常重要的一項就是處理缺失值。

import pandas as pd
data = pd.read_csv(r"C:\work\learnbetter\micro-class\
                    week 3 Preprocessing\Narrativedata.csv",index_col=0)
​
data.head()

 

在這里，我們使用從泰坦尼克號提取出來的數據，這個數據有三個特征，一個數值型，兩個字符型，標簽也是字符型。從這里開始，我們就使用這個數據給大家作為例子，讓大家慢慢熟悉sklearn中數據預處理的各種方式。

 

• impute.SimpleImputer

class sklearn.impute.SimpleImputer(missing_values=nan, strategy=’mean’, fill_value=None, verbose=0, copy=True)

在講解隨機森林的案例時，我們用這個類和隨機森林回歸填補了缺失值，對比了不同的缺失值填補方式對數據的影響。這個類是專門用來填補缺失值的。它包括四個重要參數：

參數	含義&輸入
missing_values	告訴SimpleImputer，數據中的缺失值長什么樣，默認空值np.nan
strategy	我們填補缺失值的策略，默認均值。 輸入“mean”使用均值填補（僅對數值型特征可用） 輸入“median"用中值填補（僅對數值型特征可用） 輸入"most_frequent”用眾數填補（對數值型和字符型特征都可用） 輸入“constant"表示請參考參數“fill_value"中的值（對數值型和字符型特征都可用）
fill_value	當參數startegy為”constant"的時候可用，可輸入字符串或數字表示要填充的值，常用0
copy	默認為True，將創建特征矩陣的副本，反之則會將缺失值填補到原本的特征矩陣中去。

data.info()
#填補年齡
​
Age = data.loc[:,"Age"].values.reshape(-1,1)            #sklearn當中特征矩陣必須是二維
Age[:20]
​
from sklearn.impute import SimpleImputer
imp_mean = SimpleImputer()                              #實例化，默認均值填補
imp_median = SimpleImputer(strategy="median")           #用中位數填補
imp_0 = SimpleImputer(strategy="constant",fill_value=0) #用0填補
​
imp_mean = imp_mean.fit_transform(Age)                  #fit_transform一步完成調取結果
imp_median = imp_median.fit_transform(Age)
imp_0 = imp_0.fit_transform(Age)
​
imp_mean[:20]
imp_median[:20]
imp_0[:20]
​
#在這里我們使用中位數填補Age
data.loc[:,"Age"] = imp_median
​
data.info()
​
#使用眾數填補Embarked
Embarked = data.loc[:,"Embarked"].values.reshape(-1,1)
imp_mode = SimpleImputer(strategy = "most_frequent")
data.loc[:,"Embarked"] = imp_mode.fit_transform(Embarked)
​
data.info()

 

 

BONUS：用Pandas和Numpy進行填補其實更加簡單

import pandas as pd
data = pd.read_csv(r"C:\work\learnbetter\micro-class\week 3 Preprocessing\Narrativedata.csv",index_col=0)
​
data.head()
​
data.loc[:,"Age"] = data.loc[:,"Age"].fillna(data.loc[:,"Age"].median())
#.fillna 在DataFrame里面直接進行填補
​
data.dropna(axis=0,inplace=True)
#.dropna(axis=0)刪除所有有缺失值的行，.dropna(axis=1)刪除所有有缺失值的列
#參數inplace，為True表示在原數據集上進行修改，為False表示生成一個復制對象，不修改原數據，默認False

 

2.3 處理分類型特征：編碼與啞變量

　　在機器學習中，大多數算法，譬如邏輯回歸，支持向量機SVM，k近鄰算法等都只能夠處理數值型數據，不能處理文字，在sklearn當中，除了專用來處理文字的算法，其他算法在fit的時候全部要求輸入數組或矩陣，也不能夠導入文字型數據（其實手寫決策樹和普斯貝葉斯可以處理文字，但是sklearn中規定必須導入數值型）。然而在現實中，許多標簽和特征在數據收集完畢的時候，都不是以數字來表現的。比如說，學歷的取值可以是["小學"，“初中”，“高中”，"大學"]，付費方式可能包含["支付寶"，“現金”，“微信”]等等。在這種情況下，為了讓數據適應算法和庫，我們必須將數據進行編碼，即是說，將文字型數據轉換為數值型。

 

• preprocessing.LabelEncoder：標簽專用，能夠將分類轉換為分類數值

from sklearn.preprocessing import LabelEncoder
​
y = data.iloc[:,-1]                         #要輸入的是標簽，不是特征矩陣，所以允許一維
​
le = LabelEncoder()                         #實例化
le = le.fit(y)                              #導入數據
label = le.transform(y)                     #transform接口調取結果
​
le.classes_                                 #屬性.classes_查看標簽中究竟有多少類別
label                                       #查看獲取的結果label
​
le.fit_transform(y)                         #也可以直接fit_transform一步到位
​
le.inverse_transform(label)                 #使用inverse_transform可以逆轉
​
data.iloc[:,-1] = label                     #讓標簽等於我們運行出來的結果
​
data.head()
​
#如果不需要教學展示的話我會這么寫：
from sklearn.preprocessing import LabelEncoder
data.iloc[:,-1] = LabelEncoder().fit_transform(data.iloc[:,-1])

 

 

• preprocessing.OrdinalEncoder：特征專用，能夠將分類特征轉換為分類數值

from sklearn.preprocessing import OrdinalEncoder
​
#接口categories_對應LabelEncoder的接口classes_，一模一樣的功能
data_ = data.copy()
​
data_.head()
​
OrdinalEncoder().fit(data_.iloc[:,1:-1]).categories_
​
data_.iloc[:,1:-1] = OrdinalEncoder().fit_transform(data_.iloc[:,1:-1])
​
data_.head()

 

 

• preprocessing.OneHotEncoder：獨熱編碼，創建啞變量

　　我們剛才已經用OrdinalEncoder把分類變量Sex和Embarked都轉換成數字對應的類別了。在艙門Embarked這一列中，我們使用[0,1,2]代表了三個不同的艙門，然而這種轉換是正確的嗎？

我們來思考三種不同性質的分類數據：

1） 艙門（S，C，Q）

　　三種取值S，C，Q是相互獨立的，彼此之間完全沒有聯系，表達的是S≠C≠Q的概念。這是名義變量。

2） 學歷（小學，初中，高中）

　　三種取值不是完全獨立的，我們可以明顯看出，在性質上可以有高中>初中>小學這樣的聯系，學歷有高低，但是學歷取值之間卻不是可以計算的，我們不能說小學 + 某個取值 = 初中。這是有序變量。

3） 體重（>45kg，>90kg，>135kg）

　　各個取值之間有聯系，且是可以互相計算的，比如120kg - 45kg = 90kg，分類之間可以通過數學計算互相轉換。這是有距變量。

　　然而在對特征進行編碼的時候，這三種分類數據都會被我們轉換為[0,1,2]，這三個數字在算法看來，是連續且可以計算的，這三個數字相互不等，有大小，並且有着可以相加相乘的聯系。所以算法會把艙門，學歷這樣的分類特征，都誤會成是體重這樣的分類特征。這是說，我們把分類轉換成數字的時候，忽略了數字中自帶的數學性質，所以給算法傳達了一些不准確的信息，而這會影響我們的建模。

　　類別OrdinalEncoder可以用來處理有序變量，但對於名義變量，我們只有使用啞變量的方式來處理，才能夠盡量向算法傳達最准確的信息：

　　這樣的變化，讓算法能夠徹底領悟，原來三個取值是沒有可計算性質的，是“有你就沒有我”的不等概念。在我們的數據中，性別和艙門，都是這樣的名義變量。因此我們需要使用獨熱編碼，將兩個特征都轉換為啞變量。

data.head()
​
from sklearn.preprocessing import OneHotEncoder
X = data.iloc[:,1:-1]
​
enc = OneHotEncoder(categories='auto').fit(X)
result = enc.transform(X).toarray()
result
​
#依然可以直接一步到位，但為了給大家展示模型屬性，所以還是寫成了三步
OneHotEncoder(categories='auto').fit_transform(X).toarray()
​
#依然可以還原
pd.DataFrame(enc.inverse_transform(result))
​
enc.get_feature_names()
​
result
result.shape
​
#axis=1,表示跨行進行合並，也就是將量表左右相連，如果是axis=0，就是將量表上下相連
newdata = pd.concat([data,pd.DataFrame(result)],axis=1)
​
newdata.head()
​
newdata.drop(["Sex","Embarked"],axis=1,inplace=True)
​
newdata.columns = ["Age","Survived","Female","Male","Embarked_C","Embarked_Q","Embarked_S"]
​
newdata.head()

 

　　特征可以做啞變量，標簽也可以嗎？可以，使用類sklearn.preprocessing.LabelBinarizer可以對做啞變量，許多算法都可以處理多標簽問題（比如說決策樹），但是這樣的做法在現實中不常見，因此我們在這里就不贅述了。

 

2.4 處理連續型特征：二值化與分段

• sklearn.preprocessing.Binarizer

　　根據閾值將數據二值化（將特征值設置為0或1），用於處理連續型變量。大於閾值的值映射為1，而小於或等於閾值的值映射為0。默認閾值為0時，特征中所有的正值都映射到1。二值化是對文本計數數據的常見操作，分析人員可以決定僅考慮某種現象的存在與否。它還可以用作考慮布爾隨機變量的估計器的預處理步驟（例如，使用貝葉斯設置中的伯努利分布建模）。

#將年齡二值化
​

data_2 = data.copy()
​
from sklearn.preprocessing import Binarizer
X = data_2.iloc[:,0].values.reshape(-1,1)               #類為特征專用，所以不能使用一維數組
transformer = Binarizer(threshold=30).fit_transform(X)
​
transformer

• preprocessing.KBinsDiscretizer

　　這是將連續型變量划分為分類變量的類，能夠將連續型變量排序后按順序分箱后編碼。總共包含三個重要參數：

參數	含義&輸入
n_bins	每個特征中分箱的個數，默認5，一次會被運用到所有導入的特征
encode	編碼的方式，默認“onehot” "onehot"：做啞變量，之后返回一個稀疏矩陣，每一列是一個特征中的一個類別，含有該 類別的樣本表示為1，不含的表示為0 “ordinal”：每個特征的每個箱都被編碼為一個整數，返回每一列是一個特征，每個特征下含 有不同整數編碼的箱的矩陣 "onehot-dense"：做啞變量，之后返回一個密集數組。
strategy	用來定義箱寬的方式，默認"quantile" "uniform"：表示等寬分箱，即每個特征中的每個箱的最大值之間的差為 (特征.max() - 特征.min())/(n_bins) "quantile"：表示等位分箱，即每個特征中的每個箱內的樣本數量都相同 "kmeans"：表示按聚類分箱，每個箱中的值到最近的一維k均值聚類的簇心得距離都相同

from sklearn.preprocessing import KBinsDiscretizer
​
X = data.iloc[:,0].values.reshape(-1,1) 
est = KBinsDiscretizer(n_bins=3, encode='ordinal', strategy='uniform')
est.fit_transform(X)

#查看轉換后分的箱：變成了一列中的三箱
set(est.fit_transform(X).ravel())
​
est = KBinsDiscretizer(n_bins=3, encode='onehot', strategy='uniform')
#查看轉換后分的箱：變成了啞變量
est.fit_transform(X).toarray()