sklearn 第二篇：数据预处理

sklearn.preprocessing包提供了几个常用的转换函数，用于把原始特征向量转换为更适合估计器的表示。

转化器(Transformer)用于对数据的处理，例如标准化、降维以及特征选择等，提供的函数大致是：

• fit(x,y):该方法接受输入和标签，计算出数据变换的方式。
• transform(x):根据已经计算出的变换方式，返回对输入数据x变换后的结果（不改变x）
• fit_transform(x,y) :该方法在计算出数据变换方式之后对输入x就地转换。

在转化器中，fit_transform()函数等价于先执行fit()函数，后执行transform()函数。有如下的数据，使用preprocessing包对数据进行标准化和归一化处理：

from sklearn import preprocessing
import numpy as np

X_train = np.array([[ 1., -1.,  2.],
                    [ 2.,  0.,  0.],
                    [ 0.,  1., -1.]])

一，数据标准化

数据标准化是指对数据经过处理后，使每个特征中的数值的均值变为0，标准差变为1。

1，标准正态分布

scale()是数据标准化的快捷方式：

X_scaled = preprocessing.scale(X_train)

对应的fit-transform组合是：

scaler = preprocessing.StandardScaler().fit(X_train)
scaler.transform(X_train) 

2，把数据缩放到范围

把数据缩放到给定的范围内，通常在0和1之间，或者使用每个特征的最大绝对值按比例缩放到单位大小。

MinMaxScaler(feature_range=(0, 1), copy=True)
MaxAbsScaler(copy=True)

举个例子，MinMaxScaler() 用于把数据按照max和min缩放到0和1之间，其中max和min是缩放区间的最大值和最小值,缩放的公式如下：

X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
X_scaled = X_std * (max - min) + min

使用MinMaxScaler()函数进行缩放：

scaler = preprocessing.MinMaxScaler(feature_range=(0, 1))
X_scaled=scaler.fit_transform(X_train)

二，数据归一化

通过对原始数据进行线性变换把数据映射到[0,1]或[-1,1]之间，常用的变换函数为：

sklearn提供函数normalize或者fit-transform组合来实现数据的归一化。参数norm是用于标准化每个非0数据的范式，可用的值是 l1和l2 范式，默认值是l2范式。

#X_normalized = preprocessing.normalize(X, norm='l2')
normalizer = preprocessing.Normalizer( norm='l2').fit(X)
normalizer.transform(X)                            

#out
array([[ 0.40..., -0.40...,  0.81...],
       [ 1.  ...,  0.  ...,  0.  ...],
       [ 0.  ...,  0.70..., -0.70...]])

三，对分类数据进行编码

把分类数据(标称数据)转换为数值编码，以整数的方式表示，对分类数据编码，有两种方式：顺序编码 和 OneHot编码。

1，顺序编码

顺序编码把每一个categorical 特征变换成有序的整数数字特征 (0 到 n_categories - 1)，然而，这种整数表示不能直接用于所有scikit-learn估计器，因为估计器期望连续输入，并且把类别解释为有序的，但是，集合通常是无序的，无法实现顺序。

enc = preprocessing.OrdinalEncoder()
X = [['male', 'from US', 'uses Safari'], ['female', 'from Europe', 'uses Firefox']]
enc.fit(X)
enc.transform([['female', 'from US', 'uses Safari']])
array([[0., 1., 1.]])

有序编码对象中包含 categories_ 属性，用于查看分类数据：

>>> enc.categories_
[array(['female', 'male'], dtype=object), array(['from Europe', 'from US'], dtype=object), array(['uses Firefox', 'uses Safari'], dtype=object)]

把转换的结果 [0., 1., 1.]，代入到categories_ 属性中，数组的第一个元素是0，对应categories_ 属性中female类别；数组的第二个元素是1，对应categories_ 属性中from US类别，以此类推。

2，OneHot编码

另外一种将标称型特征转换为能够被scikit-learn中模型使用的编码是OneHot（独热码）、one-out-of-N（N取一编码）或dummy encoding（虚拟编码），这种编码类型已经在类OneHotEncoder中实现，该类把每一个具有n个可能取值的categorical特征变换为长度为n的特征向量，里面只有一个地方是1，其余位置都是0。

>>> from sklearn import preprocessing
>>> enc = preprocessing.OneHotEncoder()
>>> X = [['male', 'from US', 'uses Safari'], ['female', 'from Europe', 'uses Firefox']]
>>> enc.fit(X)
>>> enc.transform([['female', 'from US', 'uses Safari']]).toarray()
[[1., 0., 0., 1., 0., 1.]]
>>> enc.categories_
[array(['female', 'male'], dtype=object), array(['from Europe', 'from US'], dtype=object), array(['uses Firefox', 'uses Safari'], dtype=object)]

如何理解OneHot编码的结果？原始数据中，有三个特征，分别是Gender、From 和 Browser，每个特征有2个取值，OneHot编码在原始数据中新增6个特征，分别是female、male、from Europe、from US、uses Firefox和uses Safari。

对于数据点 ['female', 'from US', 'uses Safari']的取值，对分类数据的编码结果是：[1., 0., 0., 1., 0., 1.]，这对应着新增特征(female, male, from Europe, from US, uses Firefox, uses Safari)的取值：

属性categories_  是长度为n的特征向量，代表新增特征(female, male, from Europe, from US, uses Firefox, uses Safari)。

三，离散化

离散化 (Discretization) 也叫 分箱(binning)，用于把连续特征划分为离散特征值。

sklearn.preprocessing.KBinsDiscretizer(n_bins=5, encode=’onehot’, strategy=’quantile’)

参数注释：

n_bins：分箱的数量，默认值是5，也可以是列表，指定各个特征的分箱数量，例如，[feature1_bins,feature2_bins,...]

encode：编码方式，{‘onehot’, ‘onehot-dense’, ‘ordinal’}, (default=’onehot’)

• onehot：以onehot方式编码，返回稀疏矩阵
• onehot-dense：以onehot方式编码，返回密集矩阵
• ordinal：以ordinal方式编码，返回分箱的序号

strategy：定义分箱宽度的策略，{‘uniform’, ‘quantile’, ‘kmeans’}, (default=’quantile’)

• uniform：每个分箱等宽
• quantile：每个分箱中拥有相同数量的数据点
• kmeans：每个箱中的值具有与1D k均值簇最近的中心

举个例子，对于以下二维数组，有三个特征，可以创建分箱数组，为每个维度指定分箱的数量：

from sklearn import preprocessing
X = np.array([[ -3., 5., 15 ],
              [  0., 6., 14 ],
              [  6., 3., 11 ]])
est = preprocessing.KBinsDiscretizer(n_bins=[3, 2, 2], encode='ordinal').fit(X)
est.transform(X)
#out
array([[ 0., 1., 1.],
       [ 1., 1., 1.],
       [ 2., 0., 0.]])

参考文档：

归一化和标准化的一些理解

5.3. Preprocessing data