用Python实现数据预处理

作者：Afroz Chakure

翻译：疯狂的技术宅

原文：https://towardsdatascience.co…

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

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')

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

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)

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])

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])

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)

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

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)

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()

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)

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。

---

欢迎扫码关注公众号：硬核智能