机器学习——1.Sklearn：特征工程
目录
scikit-learn数据集API介绍
sklearn小数据集
sklearn大数据集
sklearn数据集的使用
数据集的划分
特征工程
特征抽取/特征提取
特征提取API
字典特征提取
文本特征提取
中文文本特征值抽取
停用词
中文文本特征值抽取分词处理
文本特征抽取TfidfVevtorizer
特征预处理
归一化
标准化
特征降维
降维
特征选择
过滤式
主成分分析（PCA）
what？
API
案例：探究用户对物品类别的喜好细分降维
步骤
scikit-learn数据集API介绍
sklearn.datasets用来加载获取流行数据集
- datasets.load_*() ：获取小规模数据集，数据包含在datasets中
- datasets.fetch_*(data_home=None)：获取大规模数据集，需要从网络上下载，函数的第一个参数是data_home，表示数据集下载的目录，默认是~/scikit_learn_data/
sklearn小数据集
以鸢尾花为例
sklearn.datasets.load_iris()：加载并返回鸢尾花数据集
| 名称 | 数量 |
| 类别 | 3 |
| 特征 | 4 |
| 样本数量 | 150 |
| 每个类别数量 | 50 |
sklearn大数据集
sklearn.datasets.fetch_20newsgroups(data_home=None,subset='train')
- subset：'train'或者'test','all',可选，选择要加载的数据集。
- 训练集的“训练”，测试集的“测试”，两者的“全部”
sklearn数据集的使用
sklearn数据集返回值介绍
load和fetch返回的数据类型datasets.base.Bunch（这个是字典格式的）
- data:特征数据数组，是二维数组
- target：标签数组，是目标值
- DESCR：数据描述
- feature_names：特征的名字
- target_names：目标值的名字
可以用两种方式获取值
- dict["key"] = values
- bunch.key = values
数据集的划分
训练数据：用于训练，构建模型
测试数据：在模型检验时使用，用于评估模型是否有效
测试集：20%~30%
sklearn.model_selection.train_test_split(arrays, *options)
- x数据集的特征值
- y数据集的标签值
- test_size测试集的大小，一般为float
- random_state随机数种子，不同的种子会造成不同的随机采样结果。相同的种子采样结果相同。
- return训练集特征值（x_train），测试集特征值(x_test)，训练集目标值(y_train)，测试集目标值(y_test)
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
def datasets_demo():
# 获取数据集
iris = load_iris()
print(iris)
print("特征数据\n", iris["data"])
print("目标值\n", iris.target)
print("数据描述\n", iris["DESCR"])
print("特征的名字\n", iris.feature_names)
print("目标值名字\n", iris.target_names)
# 数据集的划分
x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=22)
# shape是看有多少行多少列
print("训练集的特征值：\n", x_train, x_train.shape)
if __name__ == "__main__":
datasets_demo()特征工程
对特征进行处理
sklearn特征工程
pandas数据清洗、数据处理
特征抽取/特征提取
有些数据不能被直接处理，所以要用一种方式将它转换
将任意数据（如文本或图像）转换为可用于机器学习的数字特征（特征值化是为了计算机更好的去理解数据）
- 字典特征提取（特征离散化）
- 文本特征提取
- 图像特征提取（深度学习）
特征提取API
sklearn.feature_extraction
字典特征提取
作用：对字典数据进行特征值化
sklearn.feature_extraction.DictVectorizer(sparse=True,...)
- DictVectorizer.fit_transform(X) X:字典或者包含字典的迭代器返回值：返回sparse矩阵（系稀疏矩阵）
- DictVectorizer.inverse_transform(X) X:array数组或者sparse矩阵 返回值：转换之前的数据格式
- DictVectorizer.get_feature_names() 返回类别名称
vector 数学：向量 物理：矢量
- 矩阵 matrix 二维数组
- 向量 vector 一维数组
父类：转换器类
from sklearn.feature_extraction import DictVectorizer
def dict_demo():
data = [{'city': '北京', 'temperature': 100}, {'city': '上海', 'temperature': 60}, {'city': '深圳', 'temperature': 30}]
# 1.实例化一个转换器类
transfer = DictVectorizer()
# 2.调用fit_transform()
data_new = transfer.fit_transform(data)
print("data_new:\n", data_new)
print("特征值名称：\n", transfer.get_feature_names())
if __name__ == "__main__":
dict_demo()
返回结果是一个稀疏（sparse）矩阵
- 将非零值按位置表示出来
- 节省内存，提高加载效率
将改为：transfer = DictVectorizer(sparse=False)返回二维数组效果为
第一张结果图表示的是第二张结果图的非零值的位置
应用场景
- 数据集中类别特征比较多
- 将数据集的特征-->字典类型
- DictVectorizer转换
- 本身拿到的数据就是字典类型
文本特征提取
作用：对文本数据进行特征值化
以单词作为特征
sklearn.feature_extraction.text.CountVectorizer(stop_words=[]) 返回的是词频矩阵，统计每个样本特征值出现次数
- CountVectorizer.fit_transform(X) X:文本或者包含文本字符串的可迭代对象，返回值：返回sparse矩阵
- CountVectorizer.inverse_transform(X) X:array数组或者sparse矩阵，返回值：转换之前数据格
- CountVectorizer.get_feature_names() 返回值：单词列表
from sklearn.feature_extraction.text import CountVectorizer
def count_demo():
data = ["life is short,i like like python", "life is too long,i dislike python"]
# 1.实例化一个转换器类
transfer = CountVectorizer()
# 2.调用fit_transform()
data_new = transfer.fit_transform(data)
print("data_new:\n", data_new)
print("特征值名称：\n", transfer.get_feature_names_out())
if __name__ == "__main__":
count_demo()
将结果转为二维数组
from sklearn.feature_extraction.text import CountVectorizer
def count_demo():
data = ["life is short,i like like python", "life is too long,i dislike python"]
# 1.实例化一个转换器类
transfer = CountVectorizer()
# 2.调用fit_transform()
data_new = transfer.fit_transform(data)
# CountVectorizer()不可以设置sparse矩阵
# toarray()方法可以将sparse矩阵转成二维数组
print("data_new:\n", data_new.toarray())
print("特征值名称：\n", transfer.get_feature_names_out())
if __name__ == "__main__":
count_demo()
中文文本特征值抽取
from sklearn.feature_extraction.text import CountVectorizer
def count_chinese_demo():
data = ["我爱吃火锅", "我爱喝奶茶"]
# 1.实例化一个转换器类
transfer = CountVectorizer()
# 2.调用fit_transform()
data_new = transfer.fit_transform(data)
# CountVectorizer()不可以设置sparse矩阵
# toarray()方法可以将sparse矩阵转成二维数组
print("data_new:\n", data_new.toarray())
print("特征值名称：\n", transfer.get_feature_names_out())
if __name__ == "__main__":
count_chinese_demo()
中文自动把短句子当成了特征值，不能区分单词，要手动分割
data = ["我 爱 吃火锅", "我 爱 喝奶茶"]
停用词
stop_words停用的
可以手动写，也可以去找停用词表
from sklearn.feature_extraction.text import CountVectorizer
def count_demo():
data = ["life is short,i like python", "life is too long,i dislike python"]
# 1.实例化一个转换器类
# 加停用词
transfer = CountVectorizer(stop_words=["is", "too"])
# 2.调用fit_transform()
data_new = transfer.fit_transform(data)
# CountVectorizer()不可以设置sparse矩阵
# toarray()方法可以将sparse矩阵转成二维数组
print("data_new:\n", data_new.toarray())
print("特征值名称：\n", transfer.get_feature_names_out())
if __name__ == "__main__":
count_demo()中文文本特征值抽取分词处理
用jieba进行分词
需要安装jieba库
pip install jieba
步骤
- 利用jieba.cut进行分词
- 实例化CountVectorizer
- 将分词结果变成字符串当做fit_transform的输入值
from sklearn.feature_extraction.text import CountVectorizer
import jieba
def count_demo():
data = ["我超喜欢吃火锅，每天都去吃火锅", "我很讨厌吃芒果，我每天都不吃"]
data_new = []
for sent in data:
data_new.append(cut_word(sent))
# 1.实例化一个转换器类
transfer = CountVectorizer()
# 2.调用fit_transform()
data_final = transfer.fit_transform(data_new)
# CountVectorizer()不可以设置sparse矩阵
# toarray()方法可以将sparse矩阵转成二维数组
print("data_new:\n", data_final.toarray())
print("特征值名称：\n", transfer.get_feature_names_out())
def cut_word(text):
return " ".join(list(jieba.cut(text)))
if __name__ == "__main__":
count_demo()
文本特征抽取TfidfVevtorizer
计算词的重要程度
关键词：在某一类别的文章中，出现的次数很多，但是在其他类别的文章中出现很少
Tf-idf文本特征提取用来衡量一个词的主要程度
- tf：词频
- idf：逆向文档频率
idf计算公式：总文件数目除以包含该词语之文件的数目，再将得到的商取以10为底的对数得到
tf-idf计算公式：
例如：有1000篇文章，有100篇文章出现了“非常”，文章A（100词）：出现10次“非常”
tf：10/100 = 0.1
idf：
tf-idf：0.1
API
sklearn.feature_extraction.text.TfidfVectorizer(stop_words=None,...)
返回词的权重矩阵
TfidfVectorizer.fit_transform(X) X:文本或者包含文本字符串的可迭代对象，返回值：sparse矩阵
TfidfVectorizer.inverse_transform(X) X:array数组或者sparse矩阵，返回值：转换之前数据格式
TfidfVectorizer.get_feature_names() 返回值：单词列表
from sklearn.feature_extraction.text import CountVectorizer,TfidfVectorizer
import jieba
def count_demo():
data = ["我超喜欢吃火锅，每天都去吃火锅", "我很讨厌吃芒果，我每天都不吃"]
data_new = []
for sent in data:
data_new.append(cut_word(sent))
# 1.实例化一个转换器类
transfer = TfidfVectorizer()
# 2.调用fit_transform()
data_final = transfer.fit_transform(data_new)
# CountVectorizer()不可以设置sparse矩阵
# toarray()方法可以将sparse矩阵转成二维数组
print("data_new:\n", data_final.toarray())
print("特征值名称：\n", transfer.get_feature_names_out())
def cut_word(text):
return " ".join(list(jieba.cut(text)))
if __name__ == "__main__":
count_demo()特征预处理
sklearn.preprocessing
为什么进行归一化/标椎化
要将不同规格的数据转换到同一规格（因为可能会出现一些数据过大一些数据过小）
无量纲化
归一化
通过对原始数据进行变换把数据映射到（默认为[0,1]）之间
稳定性较差，只适用于传统精确小数据场景
公式
作用于每一列，max为一列的最大值，min为一列的最小值，
为最终结果，mx，mi分别为指定区间值默认mx为1，mi为0
API
sklearn.preprocessing.MinMaxScaler(feature_range=(0,1)...)
MinMaxScaler.fit_transform(X) X:numpy array格式的数据[n_samples,n_features]，返回值：转换后的形状相同的array
from sklearn.preprocessing import MinMaxScaler
import pandas as pd
def minmax_demo():
# 1.获取数据
data = pd.read_csv("dating.txt")
data = data.iloc[:, :3]
print("data:\n", data)
# 2.实例化一个转换器类
transfer = MinMaxScaler()
# 也可以自己去设定归一化范围
# transfer = MinMaxScaler(feature_range=[2,3])
# 3.调用fit_transform
data_new = transfer.fit_transform(data)
print("data_new:\n", data_new)
if __name__ == "__main__":
minmax_demo()
标准化
通过对原始数据进行变换把数据变换到均值为0，标准差为1的范围内
在已有样本足够多的情况下比较稳定，适合现代嘈杂大数据场景
公式
作用于每一列，mean为平均值，σ为标准差
API
sklearn.preprocessing.StandardScaler()
- 处理之后，对于每列来说，所有数据都聚集在均值为0的附近，标准差为1
- StandardScaler.fit_transform(X) X:numpy array格式的数据[n_samples,n_features]
- 返回值：转换后的形状相同的array
from sklearn.preprocessing import StandardScaler
import pandas as pd
def minmax_demo():
# 1.获取数据
data = pd.read_csv("dating.txt")
data = data.iloc[:, :3]
print("data:\n", data)
# 2.实例化一个转换器类
transfer = StandardScaler()
# 也可以自己去设定归一化范围
# transfer = MinMaxScaler(feature_range=[2,3])
# 3.调用fit_transform
data_new = transfer.fit_transform(data)
print("data_new:\n", data_new)
if __name__ == "__main__":
minmax_demo()
特征降维
降维
希望得到的特征是不相关的
维数：嵌套的层数
- 0维：标量
- 1维：向量
- 2维：矩阵
- n维
处理的对象是二维数组
- 此处的降维：降低特征的个数
- 效果：特征与特征之间不相关
方法
- 特征选择
- 主成分分析
特征选择
方法
Filter（过滤式）：主要探究特征本身的特点、特征与特征和目标值之间关联
- 方差选择法：低方差特征过滤
- 相关系数：特征与特征之间的相关程度
Embedded（嵌入式）：算法自动选择特征（特征与目标值之间的关联）
- 决策树
- 正则化
- 深度学习
过滤式
低方差特征过滤
- 特征方差小：某个特征大多样本的值比较相近
- 特征方差大：某个特征很多样本的值都有差别
API
sklearn.feature_selection.VarianceThreshold(threshold = 0.0)
- 删除所有低方差特征
- Variance.fit_transform(X) X：nump array格式的数据[n_samples,n_features]，返回值：训练集差异低于threshold的特征将被删除。默认值是保留所有非零方差特征，即删除所有样本中具有相同值的特征。
from sklearn.feature_selection import VarianceThreshold
import pandas as pd
def minmax_demo():
# 1.获取数据
data = pd.read_csv("factor_returns.csv")
print("data:\n", data)
data = data.iloc[:, 1:-2]
print("data:\n", data)
# 2.实例化一个转换器类
transfer = VarianceThreshold(threshold=10)
# 3.调用fit_transform
data_new = transfer.fit_transform(data)
print("data_new:\n", data_new, data_new.shape)
if __name__ == "__main__":
minmax_demo()
相关系数
皮尔逊相关系数：反映变量之间相关关系密切程度的统计指标
公式
特点
API
from scipy.stats import pearsonr
x：（N,）array_like
y：（N,）array_like Returns:（Pearson’s correlation coefficient，p-value）
from sklearn.feature_selection import VarianceThreshold
import pandas as pd
from scipy.stats import pearsonr
def minmax_demo():
# 1.获取数据
data = pd.read_csv("factor_returns.csv")
data = data.iloc[:, 1:-2]
print("data:\n", data)
# 2.实例化一个转换器类
transfer = VarianceThreshold(threshold=10)
# 3.调用fit_transform
data_new = transfer.fit_transform(data)
print("data_new:\n", data_new, data_new.shape)
# 计算某两个变量之间的相关系数
r = pearsonr(data["pe_ratio"], data["pb_ratio"])
print("相关系数：\n", r)
if __name__ == "__main__":
minmax_demo()
主成分分析（PCA）
what？
- 定义：高维数据转化为低维数据的过程，在此过程中可能会舍弃原有数据、创造新的变量
- 作用：是数据维数压缩，尽可能降低原数据的维数（复杂度），损失少量信息
- 应用：回归分析或者聚类分析
API
sklearn.decomposition.PCA(n_components=None)
- 将数据分解为较低维数空间
- n_components：小数：表示保留百分之多少的信息，整数：减少到多少特征（降到几维）
- PCA.fit_transform(X) X:numpy array格式的数据[n_samples,n_features]
- 返回值：转换后指定维度的array
from sklearn.decomposition import PCA
def pca_demo():
data = [[2,0,3,9], [3,2,6,5], [7,5,1,8]]
# 1.实例化一个转换器类
# 意思是将4维降到2维
transfer = PCA(n_components=2)
# 2.调用fit_transform
data_new = transfer.fit_transform(data)
print("new_data:\n", data_new)
if __name__ == "__main__":
pca_demo()
案例：探究用户对物品类别的喜好细分降维
步骤
- 需要将user_id和aisle放在同一张表中---合并
- 找到user_id和aisle---交叉表和透视表
- 特征冗余过多---PCA降维
from sklearn.decomposition import PCA
import pandas as pd
def pca_demo():
# 1.读取文件
order_products = pd.read_csv("order_products__prior.csv")
products = pd.read_csv("products.csv")
orders = pd.read_csv("orders.csv")
aisles = pd.read_csv("aisles.csv")
# 2.合并表
tb1 = pd.merge(order_products, products, on=["product_id", "product_id"])
tb2 = pd.merge(tb1, orders, on=["order_id", "order_id"])
tb3 = pd.merge(tb2, aisles, on=["aisle_id","aisle_id"])
# 3.找到user_id和aisle之间的关系，用到交叉表
table = pd.crosstab(tb3["user_id"], tab3["aisle"])
data = table[:1000]
# 4.PCA消除冗余
transfer = PCA(n_components=0.95)
data_new = transfer.fit_transform(data)
print("new_data:\n",data_new)
if __name__ == "__main__":
pca_demo()