sklearn库学习笔记1——preprocessing库

本次主要学习sklearn的preprocessing库：用来对数据预处理，包括无量纲化，特征二值化，定性数据量化等。

先看下这个库所包含的类及方法：

主要包括14大类，为训练集数据的预处理提供接口，每个类都提供了fit（填充数据，获取数据上的特征信息并保存），transform（将fit保存的信息应用到其它数据集上，对其它数据集进行转换），fit_transform（填充数据并对数据进行转换）。如果计算是一次性的，不需创建类，可直接调用与类相对应的方法。本次主要利用iris数据测试

from sklearn.datasets import load_iris
iris=load_iris()

无量纲化：

1.标准化：（x-列均值）/ 列标准差

from sklearn.preprocessing import StandardScaler
StandardScaler().fit_transform(iris.data)

或使用scaler方法，既可按列，又可按行标准化

from sklearn.preprocessing import scale
a=np.array([[1,2,3],[3,2,1]])
res=scale(a,axis=0) #按列标准化
res.mean(axis=0) #查看列均值
res.std(axis=0)   #查看列标准差

res2=scale(a,axis=1)   #按行标准化

这里要注意大写开头的StandarScaler与scale的区别，scale是一个方法，可直接调用，而StandarScaler是一个类，为计算训练集上的平均值和标准差提供的接口，通过fit方法，存储训练集上的均值和标准差，通过transform(x_test)方法，可用同样的标准处理测试集。也可直接用fit_transform方法，填充并转换，有点类似模型里边的fit。

2.区间缩放： 

1）（x-列最小值）/ （列最大值-列最小值）， value在0-1直接

from sklearn.preprocessing import MinMaxScaler
MinMaxScaler().fit_transform(iris.data)

同样，如果不想创建一个类，可使用方法 minmax_scale

2） x / 列最大值的绝对值， value在[-1,1]。（稀疏矩阵推荐使用）

>>> X_train = np.array([[ 1., -1.,  2.],
...                     [ 2.,  0.,  0.],
...                     [ 0.,  1., -1.]])
...
>>> max_abs_scaler = preprocessing.MaxAbsScaler()
>>> X_train_maxabs = max_abs_scaler.fit_transform(X_train)
>>> X_train_maxabs                # doctest +NORMALIZE_WHITESPACE^
array([[ 0.5, -1. ,  1. ],
       [ 1. ,  0. ,  0. ],
       [ 0. ,  1. , -0.5]])
>>> X_test = np.array([[ -3., -1.,  4.]])
>>> X_test_maxabs = max_abs_scaler.transform(X_test)
>>> X_test_maxabs                 
array([[-1.5, -1. ,  2. ]])
>>> max_abs_scaler.scale_         
array([ 2.,  1.,  2.])

二者区别，除值域不一样外，后者不会改变矩阵的稀疏性，是0的还是0，而前者会改变。

3）根据四分位数来缩放数据。对于数据有较多异常值的情况，使用均值和方差来标准化显然不合适，按中位数，一、四分位数缩放效果要好，但没怎么明白缩放原理，有时间细看下。

from sklearn.preprocessing import RobustScaler
RobustScaler().fit_transform(iris.data)

3.归一化： x /（根号下（x所在行的值的平方和））

from sklearn.preprocessing import Normalizer
Normalizer(norm='l2').fit_transform(iris.data)

norm参数[‘l1’,'l2','max']， 默认norm为l2，即第二范数，也就是二维距离，l1是第一范数，即差的绝对值。

特征二值化：

import numpy as np
from sklearn.preprocessing import Binarizer
a=np.array([[1,2,3],[3,2,1]])
Binarizer(threshold=2).fit_transform(a)

输出：array([[0, 0, 1],
       [1, 0, 0]])

大于阀值转为1，小于等于阀值为0

当需要转换的数据是一列时，也可用pandas很快计算

import pandas as pd
df=pd.DataFrame({'name1':[1,2,3]})
df[df<=2]=0
df[df>2]=1
print df

定性变量的量化：

1. onehot编码

当一个特征变量不能用一个数值表示，而是一个分类值时，我们可以考虑使用onehot编码。如一个特征是某人最喜欢的水果，特征值为【‘苹果’，‘梨’，‘葡萄’，‘都不是’】，通常情况下，我们会把它转换为数字[1,2,3,4]。但机器学习里的数字默认都是有序的，4比3大等等，而我们的苹果和梨都是等价的。这时就是onehot编码发挥作用的时候了。也就是把每一个选项都当作一列特征了，选择该选项则对应特征值为1否则为0.

In [202]: from sklearn.preprocessing import OneHotEncoder

In [203]: fruit=[[0],[1],[0],[2],[0],[3]]

In [204]: res=OneHotEncoder().fit(fruit)

In [205]: res.transform(fruit).toarray()
Out[205]:
array([[ 1.,  0.,  0.,  0.],
       [ 0.,  1.,  0.,  0.],
       [ 1.,  0.,  0.,  0.],
       [ 0.,  0.,  1.,  0.],
       [ 1.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  1.]])

2.顺带提下pandas里对字符型变量的量化为数字

1) dummy

直接将字符串的变量转换为onehot编码了，如kaggle的入门训练Titanic中的上船地点取值为's','q','c' 。 但是它只适应于变量取值较少的情况，对于变量取值范围较广的字符串，还是先使用factorize再用onehot编码较好。

In [215]: emarked=pd.DataFrame(['s','s','q','q','c','s'])

In [216]: pd.get_dummies(emarked)
Out[216]:
   0_c  0_q  0_s
0  0.0  0.0  1.0
1  0.0  0.0  1.0
2  0.0  1.0  0.0
3  0.0  1.0  0.0
4  1.0  0.0  0.0
5  0.0  0.0  1.0

2) factorize

将相同的字符串映射为同一个数字，然后再用onehot啦。

In [214]: import pandas as pd
          data=pd.DataFrame({'name':['py','ws','py','zs','zs','ls','py']})
     ...: pd.factorize(data.name)
     ...:
Out[214]:
(array([0, 1, 0, 2, 2, 3, 0]),
 Index([u'py', u'ws', u'zs', u'ls'], dtype='object'))

缺失值处理：

sklearn提供了Imputer对缺失值进行处理，用均值，中位数，众数代替，通过strategy控制，取值为['mean','median','most_frequent']

In [223]: a=[[1,2,3],[np.nan,2,4]]

In [224]: Imputer(strategy='mean').fit_transform(a)
Out[224]:
array([[ 1.,  2.,  3.],
       [ 1.,  2.,  4.]])

按指定函数处理数据：

preprocessing库还提供了FunctionTransformer函数，传入一个指定的函数提取数据的特征并转换，以对数转换为例：

from numpy import log1p
from sklearn.preprocessing import FunctionTransformer

#自定义转换函数为对数函数的数据变换
#第一个参数是单变元函数
FunctionTransformer(log1p).fit_transform(iris.data)

                                                   总结表：

类	功能	说明
StandardScaler	无量纲化	标准化，基于特征矩阵的列，将特征值转换至服从标准正态分布
MinMaxScaler	无量纲化	区间缩放，基于最大最小值，将特征值转换到[0, 1]区间上
Normalizer	归一化	基于特征矩阵的行，将样本向量转换为“单位向量”
Binarizer	二值化	基于给定阈值，将定量特征按阈值划分
OneHotEncoder	哑编码	将定性数据编码为定量数据
Imputer	缺失值计算	计算缺失值，缺失值可填充为均值等
dummy,factorize	pandas库中的字符串处理	将字符型变量用onehot编码，将多字符变量映射为数字
FunctionTransformer	自定义单元数据转换	使用单变元的函数来转换数据

fit	数据填充	获取数据特征并存储
transform	数据转换	将存储的标准应用到新的数据集上
fit_transform	数据填充并转换	获取数据的特征并转换数据，转换后得到的是一个copy的新变量，不会改变原数据

---

参考：

http://scikit-learn.org/stable/modules/preprocessing.html#preprocessing

http://www.cnblogs.com/jasonfreak/p/5448385.html