用Python实现数据预处理

曾经终败给现在 2024-04-17 06:30 85阅读 0赞

> 作者：Afroz Chakure
> 
> 翻译：疯狂的技术宅
> 
> 原文：[towardsdatascience.com/data-prepro…][towardsdatascience.com_data-prepro]
> 
> **未经允许严禁转载**

机器学习的核心是处理数据。你的**机器学习工具应该与数据的质量一样好**。本文涉及**清理数据**的各个步骤。你的数据需要经过几个步骤才能用于预测。

### 数据预处理涉及的步骤： ###

1.  导入所需的库
2.  导入数据集
3.  处理缺失的数据。
4.  编码分类数据。
5.  将数据集拆分为测试集和训练集。
6.  特征缩放。

那么让我们逐一学习这些步骤。

### 步骤1：导入所需的库 ###

你先需要下载此数据集：[Data.csv][]

每次我们制作新模型时，都会要求导入 Numpy 和 Pandas。 Numpy 是一个包含数学函数的库，用于科学计算，而 Pandas 用于导入和管理数据集。

import pandas as pd
    import numpy as np
    复制代码

在这里我们导入 pandas 和 Numpy 库并分别命名名 “pd” 和 “np”。

### 第2步：导入数据集 ###

数据集以 .csv 格式提供。 CSV 文件以纯文本格式存储表格数据。该文件的每一行都是一个数据记录。我们使用 pandas 库的 read\_csv 方法将本地 CSV 文件读取为**数据帧（dataframe）**。

dataset = pd.read_csv('Data.csv')
    复制代码

在仔细检查数据集之后，我们将在数据集（X）中创建一个特征矩阵，并创建一个依赖向量（Y）及其各自的观察结果。我们用 pandas 的 iloc （用于修复索引以进行选择）读取列，它包含两个参数 — \[行选择，列选择\]。

X = dataset.iloc[:, :-1].values
    y = dataset.iloc[:, 3].values
    复制代码

### 步骤3：处理缺失的数据 ###

我们得到的数据很少是同质的。有时数据可能会丢失，所以需要对其进行处理，以免降低机器学习模型的性能。

我们需要用整列的 Mean 或 Median 替换缺失的数据。为此，我们将使用 `sklearn.preprocessing` 库，其中包含一个名为 `Imputer` 的类，它将帮助我们处理丢失的数据。

from sklearn.preprocessing import Imputer
    imputer = Imputer(missing_values = "NaN", strategy = "mean", axis = 0)
    复制代码

我们的对象名称是 **imputer**。 `Imputer` 类可以采用如下参数：

1.  **missing\_values** : 它是缺失值的占位符。所有出现的 `missing_values` 都将被估算。我们可以给它一个整数或 `NaN` 来查找缺失值。
2.  **strategy** : 这是插补策略 —— 如果是"mean"，则使用沿轴的平均值（列）替换缺失值。其他策略包括"median"(中位数)和"most\_frequent"(最常见)。
3.  **axis** : 可以指定 0 或 1，0 沿列插入，1沿行插入。

现在将 `imputer` 对象与我们的数据相匹配。

imputer = imputer.fit(X[:, 1:3])
    复制代码

接着用 `transform` 方法将缺失值替换为列的平均值。

X[:, 1:3] = imputer.transform(X[:, 1:3])
    复制代码

### 步骤4：编码分类数据 ###

任何非定量的变量都是分类的。例如头发颜色、性别、研究领域、大学就业、政治派别、疾病感染状况等。

#### 但是为什么要编码？ ####

我们不能在模型的数学方程中使用“男性”和“女性”等值，因此需要将这些变量编码为数字。

为此，我们从 `sklearn.preprocessing` 库导入 `LabelEncoder` 类，并创建 `LabelEncoder` 类的对象`labelencoder_X`。之后在分类特征上使用 `fit_transform` 方法。

在编码之后，有必要区分同一列中的变量，为此我们将使用 `sklearn.preprocessing` 库中的 `OneHotEncoder` 类。

#### 独热编码（One-Hot Encoding） ####

独热编码将分类特征转换为更适合分类和回归算法的格式。

from sklearn.preprocessing import LabelEncoder, OneHotEncoder
    
    labelencoder_X = LabelEncoder()
    X[:, 0] = labelencoder_X.fit_transform(X[:, 0])
    
    onehotencoder = OneHotEncoder(categorical_features = [0])
    X = onehotencoder.fit_transform(X).toarray()
    
    labelencoder_y = LabelEncoder()
    y = labelencoder_y.fit_transform(y)
    复制代码

### 步骤5：将数据集拆分为训练集和测试集 ###

现在我们将数据分成两组，一组用于训练模型，称为**训练集**，另一组用于测试模型的性能，称为**测试集**。它们的比例通常是 80/20。为此，我们导入 `sklearn.model_selection` 库的 `train_test_split` 方法。

from sklearn.model_selection import train_test_split
    复制代码

现在建立训练集和测试集，我们将创建 4 套 ——

1.  **X\_train**（训练部分特征矩阵），
2.  **X\_test** （测试特征矩阵的一部分），
3.  **Y\_train** （训练与 X 集相关的因变量的一部分，因此也是相同的索引），
4.  **Y\_test**（测试与 X 测试集相关的因变量的一部分，因此也测试相同的索引）。

我们将为它们分配 `test_train_split`，它接受参数 `arrays`（X和Y）`test_size`（指定分割数据集的比率）。

X_train, X_test, Y_train, Y_test = train_test_split( X , Y , test_size = 0.2, random_state = 0)
    复制代码

### 第6步：特征缩放 ###

大多数机器学习算法在其计算中使用两个数据点之间的**欧几里德距离**。因此，**高幅度特征在距离计算**中的权重将比低幅度的特征**更重**。为了避免这种功能，使用标准化或 Z-score 标准化。这是通过使用 `StandardScaler` 类 `sklearn.preprocessing` 来完成的。

from sklearn.preprocessing import StandardScaler
    sc_X = StandardScaler()
    复制代码

此外，我们将转换 `X_test` 集合，同时需要适应并转换 `X_train` 集合。

转换函数将所有数据转换为相同的标准化比例。

X_train = sc_X.fit_transform(X_train)
    X_test = sc_X.transform(X_test)
    复制代码

到此为止，你已经学习了数据预处理所涉及的基本步骤。

现在，你可以尝试在某些实际数据集上应用这些预处理技术。

转载于:https://juejin.im/post/5d242bc8e51d455d6c0ad99f

[towardsdatascience.com_data-prepro]: https://link.juejin.im?target=https%3A%2F%2Ftowardsdatascience.com%2Fdata-preprocessing-3cd01eefd438
[Data.csv]: https://link.juejin.im?target=https%3A%2F%2Fgithub.com%2Fafrozchakure%2FDatasets%2Ftree%2Fmaster%2FPreprocessing