首页 > 代码库 > scikit-learn学习之预处理（preprocessing）一
scikit-learn学习之预处理（preprocessing）一
一、标准化，均值去除和按方差比例缩放
数据集的标准化：当个体特征太过或明显不遵从高斯正态分布时，标准化表现的效果较差。实际操作中，经常忽略特征数据的分布形状，移除每个特征均值，划分离散特征的标准差，从而等级化，进而实现数据中心化。
scale
1 >>> from sklearn import preprocessing2 >>> import numpy as np3 >>> X = np.array([[1., -1., 2.], [2., 0., 0.], [0., 1., -1.]])4 >>> X_scaled = preprocessing.scale(X)5 >>> X_scaled6 array([[ 0. , -1.22474487, 1.33630621],7 [ 1.22474487, 0. , -0.26726124],8 [-1.22474487, 1.22474487, -1.06904497]])
注：scaled data 的均值为0，方差为1。
1 >>> X_scaled.mean(axis=0) # column mean2 array([ 0., 0., 0.])3 >>> X_scaled.std(axis=0)4 array([ 1., 1., 1.])
StandardScaler
1 >>> scaler = preprocessing.StandardScaler().fit(X) 2 >>> scaler 3 StandardScaler(copy=True, with_mean=True, with_std=True) 4 >>> scaler.mean_ 5 array([ 1. , 0. , 0.33333333]) 6 >>> scaler.std_ 7 array([ 0.81649658, 0.81649658, 1.24721913]) 8 >>> scaler.transform(X, 0) 9 array([[ 0. , -1.22474487, 1.33630621],10 [ 1.22474487, 0. , -0.26726124],11 [-1.22474487, 1.22474487, -1.06904497]])12 >>> scaler.transform([[-1., 1., 0.]], 0.) #scale the new data13 array([[-2.44948974, 1.22474487, -0.26726124]])
注：scale和StandardScaler可以用于回归模型中的目标值处理。
1.scaling features to a range
MinMaxScaler(最小最大值化)
公式：X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0)) ; X_scaler = X_std / (max - min) + min
训练过程（fit_transform()）
1 >>> scaler = preprocessing.StandardScaler().fit(X,None)2 >>> scaler = preprocessing.StandardScaler().fit(X)3 >>> X_train = np.array([[1., -1., 2.], [2., 0., 0.], [0., 1., -1.]])4 >>> min_max_scaler = preprocessing.MinMaxScaler()5 >>> X_train_minmax = min_max_scaler.fit_transform(X_train)6 >>> X_train_minmax7 array([[ 0.5 , 0. , 1. ],8 [ 1. , 0.5 , 0.33333333],9 [ 0. , 1. , 0. ]])
测试过程 （transform()）
1 >>> X_test = np.array([[ -3., -1., 4.]])2 >>> X_test_minmax = min_max_scaler.transform(X_test)3 >>> X_test_minmax4 array([[-1.5 , 0. , 1.66666667]])
2.Nomalization
向量空间模型(VSM)的基础，用于文本分类和聚类处理。
normalize
sklearn.preprocessing.normalize(X, norm=‘l2‘, axis=1, copy=Ture)
l1: 标准化每个非0样本（row,axis=0） l2:标准化每个非0特征（column,axis=1）
Normalizer
1 >>> X2 array([[ 1., -1., 2.],3 [ 2., 0., 0.],4 [ 0., 1., -1.]])5 >>> normalizer = preprocessing.Normalizer().fit(X)6 >>> normalizer7 Normalizer(copy=True, norm=‘l2‘)
注：normalizer实例可以作为其他数据的转换器
3.Binarization
feature binarization是将数值型的特征值转换为布尔值，可以用于概率估计。
1 >>> binarizer = preprocessing.Binarizer().fit(X)2 >>> binarizer3 Binarizer(copy=True, threshold=0.0)4 >>> binarizer.transform(X)5 array([[ 1., 0., 1.],6 [ 1., 0., 0.],7 [ 0., 1., 0.]])
4.Encoding categorical features
类别型特征用整数值进行编码，OneHotEncoder将m种值转换为m个二元位，其中只有一位是活跃的。
1 >>> enc = preprocessing.OneHotEncoder()2 >>> enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])3 OneHotEncoder(categorical_features=‘all‘, dtype=<type ‘float‘>,4 n_values=‘auto‘, sparse=True)5 >>> enc.transform([[0, 1, 3]]).toarray()6 array([[ 1., 0., 0., 1., 0., 0., 0., 0., 1.]]) # from letf to right,the first ‘1,0‘ represent 0
默认情况下，每个特征有几种值是由数据集确定的。可以通过n_values参数对其进行显性指定。
scikit-learn学习之预处理（preprocessing）一