「Python 数据处理基础」数据特征处理标准化和归一化应用

冷不防 2022-10-08 05:38 7阅读 0赞

### 文章目录 ###

*  内容介绍
 *  标准化&归一化
 *  红酒数据集进行标准化&归一化
 *  标准化处理对PCA主成分分析的影响

# 内容介绍 #

**数据标准化** ：是使数据落入同一范围，是一种常用的数据预处理操作。目的是处理不同比例和维度的数据，以便可以将其缩放到相同的数据间隔和范围，从而减少比例，特征和分布差异对模型的影响。除了用于模型计算之外，标准化数据还具有直接计算和生成复合指标的含义，这是对指标进行加权的必要步骤。

# 标准化&归一化 #

**数据标准化**

同样我们都需要对原始数据进行处理，少不了的就是 standardization (或者叫做 Z-score normalization)，要求 **均值 μ=0** 和 **标准差 σ=1**。  
![在这里插入图片描述][20210620083837877.png]  
**数据归一化**

另一种方法叫做 **Min-Max scaling** (或者叫做 "normalization"也就是我们常说的0-1归一化)。处理后的所有特征的值都会被压缩到 0到1区间上.这样做还可以抑制离群值对结果的影响。  
![在这里插入图片描述][20210620083927763.png]

# 红酒数据集进行标准化&归一化 #

import pandas as pd
    import numpy as np
    
    df = pd.read_excel('data/wine_data.xlsx') #葡萄酒数据集
    df.head()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]

# 选取指定字段
    # 在数据中，Alcohol和Malic acid 衡量的标准应该是不同的，特征之间数值差异较大
    df[['Class label', 'Alcohol', 'Malic acid']]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 1]

# 标准化和归一化实现
    from sklearn import preprocessing
    
    std_scale = preprocessing.StandardScaler().fit(df[['Alcohol', 'Malic acid']])
    df_std = std_scale.transform(df[['Alcohol', 'Malic acid']])
    
    minmax_scale = preprocessing.MinMaxScaler().fit(df[['Alcohol', 'Malic acid']])
    df_minmax = minmax_scale.transform(df[['Alcohol', 'Malic acid']])
    
    print('标准化后：Alcohol={:.2f}, Malic acid={:.2f}'.format(df_std[:,0].mean(), df_std[:,1].mean()))
    print('\n标准化后的标准差：Alcohol={:.2f}, Malic acid={:.2f}'.format(df_std[:,0].std(), df_std[:,1].std()))
    
    >>> 标准化后：Alcohol=-0.00, Malic acid=-0.00
    >>> 标准化后的标准差：Alcohol=1.00, Malic acid=1.00
    
    print('归一化后的最小值:Alcohol={:.2f}, Malic acid={:.2f}'
          .format(df_minmax[:,0].min(), df_minmax[:,1].min()))
    print('\n归一化后的最大值:Alcohol={:.2f}, Malic acid={:.2f}'
          .format(df_minmax[:,0].max(), df_minmax[:,1].max()))
    
    >>> 归一化后的最小值:Alcohol=0.00, Malic acid=0.00
    >>> 归一化后的最大值:Alcohol=1.00, Malic acid=1.00
    
    # 数据可视化
    from matplotlib import pyplot as plt
    
    def plot():
        plt.figure(figsize=(8,6))
        # 绿色表示原始数据
        plt.scatter(df['Alcohol'], df['Malic acid'], color='green', label='input scale', alpha=0.5)
        # 红色表示标准化后数据
        plt.scatter(df_std[:,0], df_std[:,1], color='red', label='Standardized [$N (\mu=0, \; \sigma=1)$]', alpha=0.3)
        # 蓝色表示归一化后数据
        plt.scatter(df_minmax[:,0], df_minmax[:,1], color='blue', label='min-max scaled [min=0, max=1]', alpha=0.3)
    
        plt.title('Alcohol and Malic Acid content of the wine dataset')
        plt.xlabel('Alcohol')
        plt.ylabel('Malic Acid')
        plt.legend(loc='upper left')
        plt.grid()
        plt.tight_layout()
    
    plot()
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 2]

# 我们将原始的和变换后都放到了同一个图上，观察下结果吧！接下来我们再看看数据是否被打乱了呢？
    
    fig, ax = plt.subplots(3, figsize=(6,14))
    
    for a,d,l in zip(range(len(ax)), 
                   (df[['Alcohol', 'Malic acid']].values, df_std, df_minmax),
                   ('Input scale', 
                    'Standardized [$N (\mu=0, \; \sigma=1)$]', 
                    'min-max scaled [min=0, max=1]')
                    ):
        for i,c in zip(range(1,4), ('red', 'blue', 'green')):
            ax[a].scatter(d[df['Class label'].values == i, 0], 
                      d[df['Class label'].values == i, 1],
                      alpha=0.5,
                      color=c,
                      label='Class %s' %i
                      )
        ax[a].set_title(l)
        ax[a].set_xlabel('Alcohol')
        ax[a].set_ylabel('Malic Acid')
        ax[a].legend(loc='upper left')
        ax[a].grid()
        
    plt.tight_layout()
    
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 3]  
在机器学习中，如果我们对训练集做了上述处理，那么同样的对测试集也必须要经过相同的处理。

std_scale = preprocessing.StandardScaler().fit(X_train)
    X_train = std_scale.transform(X_train)
    X_test = std_scale.transform(X_test)

# 标准化处理对PCA主成分分析的影响 #

# 主成分分析（PCA）和一个非常有用的套路，接下来，咱们来看看数据经过标准化处理和未经标准化处理后使用PCA的效果。
    
    import pandas as pd
    
    df = pd.read_excel('data/wine_data.xlsx') #葡萄酒数据集
    df.head()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 4]

# 将数据集划分为单独的训练和测试数据集
    # 将随机将葡萄酒数据集分为训练数据集和测试数据集，其中训练数据集包含70%的样本，测试数据集包含30%的样本。
    
    from sklearn.model_selection import train_test_split
    
    X_wine = df.values[:,1:]
    y_wine = df.values[:,0]
    
    X_train, X_test, y_train, y_test = train_test_split(X_wine, y_wine,
        test_size=0.30, random_state=12345)
    
    # 标准化处理数据
    from sklearn import preprocessing
    
    std_scale = preprocessing.StandardScaler().fit(X_train)
    X_train_std = std_scale.transform(X_train)
    X_test_std = std_scale.transform(X_test)
    
    # 使用PCA进行降维
    # 在标准化和非标准化数据集上执行PCA，将数据集转换成二维特征子空间。
    
    from sklearn.decomposition import PCA
    
    # 非标准化数据
    pca = PCA(n_components=2).fit(X_train)
    X_train = pca.transform(X_train)
    X_test = pca.transform(X_test)
    
    
    # 标准化数据
    pca_std = PCA(n_components=2).fit(X_train_std)
    X_train_std = pca_std.transform(X_train_std)
    X_test_std = pca_std.transform(X_test_std)
    
    from matplotlib import pyplot as plt
    
    fig, (ax1, ax2) = plt.subplots(ncols=2, figsize=(10,4))
    
    
    for l,c,m in zip(range(1,4), ('blue', 'red', 'green'), ('^', 's', 'o')):
        ax1.scatter(X_train[y_train==l, 0], X_train[y_train==l, 1],
            color=c, 
            label='class %s' %l, 
            alpha=0.5,
            marker=m
            )
    
    for l,c,m in zip(range(1,4), ('blue', 'red', 'green'), ('^', 's', 'o')):
        ax2.scatter(X_train_std[y_train==l, 0], X_train_std[y_train==l, 1],
            color=c, 
            label='class %s' %l, 
            alpha=0.5,
            marker=m
            )
    
    ax1.set_title('Transformed NON-standardized training dataset after PCA')    
    ax2.set_title('Transformed standardized training dataset after PCA')    
        
    for ax in (ax1, ax2):
    
        ax.set_xlabel('1st principal component')
        ax.set_ylabel('2nd principal component')
        ax.legend(loc='upper right')
        ax.grid()
    plt.tight_layout()
    
    plt.show()

直观上，可以清晰的看到经过标准化的数据可分性更强的。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 5]

[20210620083837877.png]: /images/20221005/b1dec41dff35482b93e888c0c3418371.png
[20210620083927763.png]: /images/20221005/24d7cb6cb81b419891fd08db995e20fa.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]: /images/20221005/f5e2ce6eaf204e498ed3c4b19f77aab0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 1]: /images/20221005/8a710c2c5fbf43448fd883f69189d50f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 2]: /images/20221005/15588d646ced4e6bb4aa5f1bb04d4e54.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 3]: /images/20221005/b8f645b17fce4b2299c72ac477073799.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 4]: /images/20221005/b8a4a688a222439580de5203dd945ba5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 5]: /images/20221005/4f8764ce948743afa0b1101394df4935.png