深度学习必备----python中数据处理与特征等基础知识

 

 

1.对数据进行类型转化

import pandas as pd

 

s = pd.Series(['1', '2', '4.7', 'pandas', '10'])

s.astype(float, errors='ignore')------------------------可以将s转化为float类型，对于不能正常转化的值可以忽略掉

pd.to_numeric(s, errors='coerce')---------------------可以将s中的值转化为数字，不能转化的将会以NAN来代替

 

2.处理重复数据

 

df.drop_duplicates()去掉重复数据

df.drop_duplicates('column1', keep='last')去掉重复数据,但有条件限制：如果数据重复，保留column1字段中排在后面的那一个

 

3.判断缺失数据

s.isna()查看是否有缺失数据

4.填补缺失数据

.fillna(method=' ')，其中参数method可取：

pad/ffill：用前一个非缺失值去填充该缺失值

backfill/bfill：用下一个非缺失值填充该缺失值

None：指定一个值去替换缺失值（缺省默认这种方式）

5.填补空缺的数据如果遵循某种规律的话，可以采用深度学习的算法进行聚类、回归等方法找到规律，根据规律填缺失值。

 

6.特征数值化

如果是离散的值，可以通过特征与数值直接转换，比如df.replace({"N": 0, 'Y': 1})将N转化为0，将Y转化为1；

 

可以用方法进行转化： from sklearn.preprocessing

                                     import LabelEncoder

                                     le = LabelEncoder()

                                    le.fit_transform(df['hypertension'])；也可以fit()+trensform() 两种结果一样---------（fit对每种进行标记-标签名指原来的值.get_feature_names() ，transform根据标记对每一个进行转换）；

7.特征二值化

pm25['bdays'] = np.where(pm25["Exposed days"] > pm25["Exposed days"].mean(), 1, 0)------------满足不等式bdays的值为1，不满足为0；

from sklearn.preprocessing

import Binarizer

bn = Binarizer(threshold=pm25["Exposed days"].mean())分为大于均值的和小于均值的两种

result = bn.fit_transform(pm25[["Exposed days"]])对两种进行归一化

等价于binarize(pm25[['Exposed days']], threshold=pm25['Exposed days'].mean())；

8One-hot编码

pd.get_dummies(data)：有多少种不同的值就会有多少个标签

对color这列进行编码，并去掉第一种状态，并合并到原数据中：df_dum = pd.get_dummies(persons['color'], drop_first=True) ，persons.merge(df_dum, left_index=True, right_index=True)；

size_mapping = {'XL': 3, 'L': 2, 'M': 1}， df['size'] = df['size'].map(size_mapping)；

from sklearn.preprocessing ；import OneHotEncoder ohe = OneHotEncoder() ；cl = ohe.fit_transform(df[['classlabel']]);

9.特征离散化

 

pd.cut(ages['years'],3)分成三部分，也就是三种离散特征；

pd.cut(ages['years'], 3, labels=[0, 1, 2])同时为每种特征添加标签；

pd.cut(ages2['years'], bins=[9, 30, 50, 300], labels=['Young', 'Middle', 'Senior'])分成指定的三部分范围中并添加标签；

from sklearn.preprocessing import KBinsDiscretizer
kbd = KBinsDiscretizer(n_bins=3, encode='ordinal', strategy='uniform')   # ④
trans = kbd.fit_transform(ages[['years']]) 对数据分成三类并对离散值转换

rnd = np.random.RandomState(42)， X = rnd.uniform(-3, 3, size=100)随机生成-3——3之间的100个数

10.数据规范化

StandardScaler().fit_transform(iris.data)可以对数据进行标准化，把数据转化成正态分布；

np.mean(iris_std, axis=0)求每一列的均值；

MinMaxScaler().fit_transform(iris.data)，数据中心化后，再按极差（最大值 - 最小值）缩放，数据移动了最小值个单位，并且会被收敛到[0,1]之间，归一化也就是；

from sklearn.preprocessing import RobustScaler, MinMaxScaler
robust = RobustScaler()
robust_scaled = robust.fit_transform(X)

对数据的中心和范围使用更有鲁棒性的估计；

归一化

from sklearn.preprocessing import Normalizer 
norma = Normalizer()    # ③
norma.fit_transform([[3, 4]])

 

norma_max = Normalizer(norm='max')，

norma1 = Normalizer(norm='l1')，其中若为l1时，每个样本（每行）的值除以每个样本（每行）各值的绝对值之和
若为l2时，变换后每个样本（每行）的各维特征的平方和为1
若为max时，样本各个特征值除以样本中特征值最大的值

 

11.特征提取

线性回归中coef_和intercept_都是模型参数，即为w，coef_为w1到w4，intercept_为w0；

• 循序向前特征选择：Sequential Forward Selection，SFS；
• 循序向后特征选择：Sequential Backword Selection，SBS；
• 穷举特征，并将特征名打印出来；

import numpy as np
from mlxtend.feature_selection import ExhaustiveFeatureSelector as EFS
efs = EFS(RandomForestRegressor(),min_features=1,max_features=5,scoring='r2',n_jobs=-1)    # ⑥
efs.fit(np.array(mini_data),y_train)
mini_data.columns[list(efs.best_idx_)]

from mlxtend.feature_selection import ExhaustiveFeatureSelector  
from sklearn.ensemble import RandomForestRegressor, RandomForestClassifier  
from sklearn.metrics import roc_auc_score

feature_selector = ExhaustiveFeatureSelector(RandomForestClassifier(n_jobs=-1),    # ○11
           min_features=2,
           max_features=4,
           scoring='roc_auc',
           print_progress=True,
           cv=2)
features = feature_selector.fit(np.array(train_features.fillna(0)), train_labels)  
filtered_features= train_features.columns[list(features.best_idx_)]  

递归特征消除：递归特征消除的主要思想是反复构建模型，然后选出最好的（或者最差的）特征（根据系数来选），把选出来的特征放到一边，然后在剩余的特征上重复这个过程，直到遍历了所有的特征；

根据某中检验方法，比如chi2 啦，选择k个最高分数的特征，属于单变量特征选择的一种，可以看做是一个估计器的预处理步骤；

from sklearn.feature_selection import RFE
rfe = RFE(RandomForestRegressor(), n_features_to_select=5)     # ○12
rfe.fit(np.array(mini_data),y_train)
rfe.ranking_

VarianceThreshold(threshold=(0.8 * (1 - 0.8)))，过滤器法的一种，去掉那些方差没有达到阈值的特征。默认情况下，删除零方差的特征；

from xgboost import XGBClassifier ，model = XGBClassifier() ， model.fit(X,y) ，model.feature_importances_，得到特征重要性

 

12.特征抽取

主成分分析：from sklearn.decomposition import PCA ，import numpy as np ，pca = PCA()-----eg:pca = PCA(.95) , lower_dimensional_data = pca.fit_transform(mnist_data);

LDA:from sklearn.discriminant_analysis ,import LinearDiscriminantAnalysis as LDA, from sklearn.linear_model import LogisticRegression, lda = LDA(n_components=2) ,

X_train_lda = lda.fit_transform(X_train_std, y_train)；

逻辑回归：lr = LogisticRegression() lr = lr.fit(X_train_lda, y_train)；