机器学习-数据预处理

机器学习在训练模型前，需要将特征进行预处理使其规范化，易于，本文主要讲几种常见的数据预处理方式；

标准化（z-Score）

公式为(X-mean)/std,将特征转化为均值为0，方差为1的数据；

可以用`sklearn.prepocessing.scale()``函数和sklearn.proprocessing.StandardScaler()类实现，使用StandardScaler()可以使测试集合训练集使用相同的参数进行转换

最小最大规范化

通过(x-min)/(max-min)将数据转化到[0-1]之间，通过sklearn.proprocessing.MinMaxScaler()转化

归一化

基于参数或者距离的模型都要进行特征归一化；通过L1 norm或L2norm将值映射到[0-1]之间，使用sklearn.proprocessing.normalize(x, norm=' ')转化，如果norm选L2,则特征值的平方和加起来等于1，选L1，是特征值的绝对值之和等于1；

概率模型（例如决策树）不需要归一化，因为他们不关心变量的值，只是关心变量分布和变量之间的条件概率；

二值化

给定阈值，将特征转化为0或1，使用sklearn.preprocessing.Binarizer(threshold= )进行转化；

标签二值化

将标称型数值转化为0、1...等数值型，输入为1-D array，可以对字符串进行编码，可以用sklearn.preprocessing.Binarizer()进行转化，作用等于labelEncoder之后OneHotEncoder，但因为只接受一维输入，只能一次对一个特征进行转化；

标签编码（定量特征）

对不连续的数值或文本进行编号，转化成连续的数值型变量，输入为1-D array,使用sklearn.preprocessing.LabelEncoder进行转化,

类别特征编码（定性特征）

对类别特征进行one-hot编码，特征就多少个值就新增多少个维度来表示；使用sklearn.preprocessing.OneHotEncoder()进行转换,它接收2-D array的输入，不能直接对字符串进行转化，如果是字符串类型的话，需要经过LabelEncoder()转化为数值型，再经过OneHotEncoder()进行独热编码；

也可以使用pandas.get_dummies() 进行转化，它可以接受字符串类型的输入，转化后比OneHotEncoder少一维度；但是get_dummies()因为没有transform函数，所以当测试集中出现测试集中未出现的特征值会报错；

但是当类别特征很多时，独热编码会使特征空间变得非常大，这时可以结合PCA进行降维；