processing data

获取有效数据

• Scikit-learn will not accept categorical features by default
  
  API里面不知使用默认的特征变量名，因此需要编码
  
  这里我还是有疑问？
  
  对于下载的数据集，一般的特征变量名，在进行分类的时候，机器是不能识别的，需要对特征名进行编码，因为计算机是二进制语言啊？

• Need to encode categorical features numerically

• Convert to ‘dummy variables’

  • 0: Observation was NOT that category
  • 1: Observation was that category

Dealing with categorical features in Python

两种方式是一样的

• scikit-learn: OneHotEncoder()
• pandas: get_dummies()

pd.get_dummies

• 离散特征编码
• 可用来表示分类变量、非数量因素可能产生的影响
  
  pandas加入虚拟变量的方式
  
  get_dummies 是利用pandas实现one hot encode的方式。详细参数请查看官方文档

pandas.get_dummies(data, prefix=None, prefix_sep='_', dummy_na=False, columns=None, sparse=False, drop_first=False)[source]

• data   要处理的DataFrame
• prefix 列名的前缀，在多个列有相同的离散项时候使用
• prefix_sep 前缀和离散值的分隔符，默认为下划线，默认即可
• dummy_na 是否把NA值，作为一个离散值进行处理，默认为不处理
• columns 要处理的列名，如果不指定该列，那么默认处理所有列
• drop_first 是否从备选项中删除第一个，建模的时候为避免共线性使用

Pandas中的get_dummy()函数是将拥有不同值的变量转换为0/1数值。

举例说明：一群样本的年龄分别为19，32,56,94岁，19岁用1表示，32岁用2表示，56岁用3表示，94岁用4表示。1,2,3,4这些数值的大小本身没有意义，只是用来区分年龄。因此在实际问题中，需要将1,2,3,4转化为0/1，即如果是19岁，则为0，若不是则为1，以此类推。

• 举个例子

import pandas as pd
df = pd.DataFrame([
            ['green' , 'm'],
            ['red'   , 'n'],
            ['blue'  , 'q']])  
df.columns = ['color',  'class']
pd.get_dummies(df)

# Create dummy variables: df_region
df_region = pd.get_dummies(df)
# Print the columns of df_region
print(df_region.columns)
# Drop 'Region_America' from df_region
df_region = pd.get_dummies(df, drop_first=True)
# Print the new columns of df_region
print(df_region)

处理缺失数据

Imputer()

• 填补缺失值：

sklearn.preprocessing.Imputer(missing_values=’NaN’, strategy=’mean’, axis=0, verbose=0, copy=True)

主要参数说明：

• missing_values：缺失值，可以为整数或NaN(缺失值numpy.nan用字符串‘NaN’表示)，默认为NaN

• strategy：替换策略，字符串，默认用均值‘mean’替换

  • 若为mean时，用特征列的均值替换
  • 若为median时，用特征列的中位数替换
  • 若为most_frequent时，用特征列的众数替换

• axis：指定轴数，默认axis=0代表列，axis=1代表行

• copy：设置为True代表不在原数据集上修改，设置为False时，就地修改，存在如下情况时，即使设置为False时，也不会就地修改

  • X不是浮点值数组
  • X是稀疏且missing_values=0
  • axis=0且X为CRS矩阵
  • axis=1且X为CSC矩阵

• statistics_属性：axis设置为0时，每个特征的填充值数组，axis=1时，报没有该属性错误
  
  参考

# Import the Imputer module
from sklearn.preprocessing import Imputer
from sklearn.svm import SVC
# Setup the Imputation transformer: imp
imp = Imputer(missing_values='NaN', strategy='most_frequent', axis=0)
# Instantiate the SVC classifier: clf
clf = SVC()
# Setup the pipeline with the required steps: steps
steps = [('imputation', imp),
        ('SVM', clf)]

dropna()

直接删除缺失值

pipline

官方文档

连接多个转换器和预测器在一起，形成一个机器学习工作流，这句解释太官方了，因此我没懂