数据预处理是进行机器学习的必要环节，对原始数据进行加工，比如标准化、归一化、二进制化、特征编码、插补缺失值、生成多项式特征等。
scikit-learn 是 Python 下的机器学习工具包，集成了预处理、降维、聚类、分类等方法。我们用此工具来介绍数据预处理。
主要应用的是 preprocessing 类。
标准化 Standardization
常用的标准化方法为 z-score 法，目的是将传入的矩阵变为每列均值为0、方差为1的标准型，因为机器学习中的函数许多是以0为中心的，例如 sigmoid 函数，方差为1可以使数据分布均匀，防止某个特征数据过大影响模型的训练。
我们用 sklearn 中的 preprocessing 类中的 scale 方法简单进行标准化。
>>> from sklearn import preprocessing
>>> import numpy as np
>>> X = np.array([[ 1., -1., 2.],
... [ 2., 0., 0.],
... [ 0., 1., -1.]])
>>> X_scaled = preprocessing.scale(X)
>>> X_scaled
array([[ 0. ..., -1.22..., 1.33...],
[ 1.22..., 0. ..., -0.26...],
[-1.22..., 1.22..., -1.06...]])
或者可以将计算均值和方差与转换的步骤分开。
>>> scaler = preprocessing.StandardScaler().fit(X)
>>> scaler
StandardScaler(copy=True, with_mean=True, with_std=True)
>>> scaler.transform(X)
array([[ 0. ..., -1.22..., 1.33...],
[ 1.22..., 0. ..., -0.26...],
[-1.22..., 1.22..., -1.06...]])
fit 是计算过程，transform 是转换过程。transform 的一个好处是可以继续使用 fit 的数据，例如 transform 训练数据之后之后可以直接 transform 测试数据。
有时标准化时要求把数据缩放到某一个范围中，preprocessing 类也提供了 MinMaxScaler 方法，设置 MinMaxScaler 的参数 feature_range=(min, max) 。
当然最常用的就是（0,1）范围。
>>> X_train = np.array([[ 1., -1., 2.],
... [ 2., 0., 0.],
... [ 0., 1., -1.]])
...
>>> min_max_scaler = preprocessing.MinMaxScaler(feature_range=(0, 1))
>>> X_train_minmax = min_max_scaler.fit_transform(X_train)
>>> X_train_minmax
array([[ 0.5 , 0. , 1. ],
[ 1. , 0.5 , 0.33333333],
[ 0. , 1. , 0. ]])
归一化 Normalization
归一化是将每个样本缩放到单位范数（可以粗略地理解为向量的函数）的过程。如果后面要使用如二次型（点积）或者其它核方法计算两个样本之间的相似性这个方法会很有用。归一化的计算方法是 1除以p-范数。归一化之后的样本的 p-范数等于1。
preprocessing 类下的 normalize 方法可以直接归一化，并可以选择 l1 范数与 l2 范数，默认是 l2 范数。
>>> X = [[ 1., -1., 2.],
... [ 2., 0., 0.],
... [ 0., 1., -1.]]
>>> X_normalized = preprocessing.normalize(X, norm='l2')
>>> X_normalized
array([[ 0.40..., -0.40..., 0.81...],
[ 1. ..., 0. ..., 0. ...],
[ 0. ..., 0.70..., -0.70...]])
normalize 也同样有 fit 方法与 transform 方法。
>>> normalizer = preprocessing.Normalizer().fit(X) # fit does nothing
>>> normalizer
Normalizer(copy=True, norm='l2')
>>> normalizer.transform(X)
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. ...]])
二进制化 Binarization
二进制化的方法是设定一个阈值，样本值比阈值大的为1，小的为0。
文本处理领域愿意使用二进制化，虽然归一化和 TF-IDF 加工的特征表现得更好，但使用二进制化来简化数据更为普遍（可能简化概率推理）。
>>> X = [[ 1., -1., 2.],
... [ 2., 0., 0.],
... [ 0., 1., -1.]]
>>> binarizer = preprocessing.Binarizer().fit(X) # fit does nothing
>>> binarizer
Binarizer(copy=True, threshold=0.0)
>>> binarizer.transform(X)
array([[ 1., 0., 1.],
[ 1., 0., 0.],
[ 0., 1., 0.]])
阈值调整需要设置 threshold 参数，下面代码是设置阈值1.1的情况。
>>> binarizer = preprocessing.Binarizer(threshold=1.1)
>>> binarizer.transform(X)
array([[ 0., 0., 1.],
[ 1., 0., 0.],
[ 0., 0., 0.]])
类别特征编码 Encoding categorical features
比如现在有特征 ["male", "female"] ["from Europe", "from US", "from Asia"],
["uses Firefox", "uses Chrome", "uses Safari", "uses Internet Explorer"]，
平常我们将特征进行整数编码.
["male", "from US", "uses Internet Explorer"] 编码应该是 [0, 1, 3]。
["female", "from Asia", "uses Chrome"]的编码应该是[1,2,1]。
但是 scikit-learn 估计器不能直接使用这种整数型的编码，它的输入最好是连续型的，估计器也可能把整数编码特征特征误解为有序的数据，这会有害于模型训练。
类别特征编码用的是 OneHotEncoder 方法，占第几位的特征值就是1，其余为0。例如 ["male", "female"] 有两个特征，male 占第1个位置，剩下的0，male 就是 [1,0]，female 就是 [0,1]； ["from Europe", "from US", "from Asia"]有3个特征，"from Europe"就是 [1,0,0]，"from US" 就是 [0,1,0]，"from Asia"就是 [0,0,1]，以此类推。
["male", "from US", "uses Internet Explorer"]的整数编码[0,1,3]的二进制编码就是
[1,0, 0,1,0, 0,0,0,1]。
代码实现用的是 preprocessing 类下的 OneHotEncoder 方法。
>>> enc = preprocessing.OneHotEncoder()
>>> enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])
OneHotEncoder(categorical_features='all', dtype=<... 'numpy.float64'>,
handle_unknown='error', n_values='auto', sparse=True)
>>> enc.transform([[0, 1, 3]]).toarray()
array([[ 1., 0., 0., 1., 0., 0., 0., 0., 1.]])
插补缺失值 Imputation of missing values
以往对于数据中有丢失值的情况，做法是把该数据所在行和列都删掉，这样的后果是容易丢失重要的数据。
imputer 的方法利用平均值、中位数或出现频率最高的数据对缺失的数据进行填补。代码如下，NaN 即位丢失的值。
>>> import numpy as np
>>> from sklearn.preprocessing import Imputer
>>> imp = Imputer(missing_values='NaN', strategy='mean', axis=0)
>>> imp.fit([[1, 2], [np.nan, 3], [7, 6]])
Imputer(axis=0, copy=True, missing_values='NaN', strategy='mean', verbose=0)
>>> X = [[np.nan, 2], [6, np.nan], [7, 6]]
>>> print(imp.transform(X))
[[ 4. 2. ]
[ 6. 3.666...]
[ 7. 6. ]]
strategy 告诉了本代码用 mean 平均值找补，fit 是用它括号里的数据计算平均值，transform 是应用变换。
生成多项式特征 Generating polynomial features
生成多项式的预处理方式是为了给输入数据增加复杂性。处理后的特征会获得高阶的数据和交叉的数据。
用到的是 preprocessing 下的 PolynomialFeatures 方法。
>>> import numpy as np
>>> from sklearn.preprocessing import PolynomialFeatures
>>> X = np.arange(6).reshape(3, 2)
>>> X
array([[0, 1],
[2, 3],
[4, 5]])
>>> poly = PolynomialFeatures(2)
>>> poly.fit_transform(X)
array([[ 1., 0., 1., 0., 0., 1.],
[ 1., 2., 3., 4., 6., 9.],
[ 1., 4., 5., 16., 20., 25.]])
PolynomialFeatures(2) 指的是最多生成二次项。
X的特征值由（X1，X2）变成了（1，X1，X2，X12，X1X2，X22）。