超级实用！如何为机器学习算法准备数据？

重磅干货，第一时间送达

本文为《Scikit-Learn 和 TensorFlow 机器学习指南》的第二章的第 3 讲：为机器学习算法准备数据。

1. 使用实际数据

2. 整体规划

3. 获取数据

4. 发现、可视化数据，增加直观印象

5. 为机器学习准备数据

6. 选择模型并进行训练

7. 调试模型

8. 部署、监控、维护系统

笔记尽量突出重点，提炼关键知识点。正文开始！

数据清洗（处理缺失值）

对于数据集中出现缺失值的情况，需要对其进行处理。对缺失值常用的三种方法是：

丢弃有缺失值的样本

丢弃有缺失值的整个特征

对缺失值进行填充（补零、均值填充或中位数填充等）

三种方法相应的代码如下：

一般 option 3 应用更为广泛。值得注意的是，应该保留训练样本的 median 值，测试样本中的缺失值将以此 median 值进行填充。

在 Scikit-Learn 中提供了 Imputer 类，进行缺失值处理。示例代码如下：

处理文字或类别属性

本章的波士顿房价问题中，ocean_proximity 属性是非数值的字符属性，因此无法进行中位数填充。该属性如下所示：

['

你可以直接使用下面代码，将字符属性转换成数值属性：

array([[ 0.], [ 0.], [ 4.], [ 1.], [ 0.], [ 1.], [ 0.], [ 1.], [ 0.], [ 0.]])

更方便地，还可以直接将字符属性转换为 one-hot 编码：

array([[ 1., 0., 0., 0., 0.], [ 1., 0., 0., 0., 0.], [ 0., 0., 0., 0., 1.], ..., [ 0., 1., 0., 0., 0.], [ 1., 0., 0., 0., 0.], [ 0., 0., 0., 1., 0.]])

自定义转换器

虽然 Scikit-Learn 已经提供了许多有用的转换器，但是你仍然可以编写自己的转换器，例如特定属性组合。自定义转换器很简单，只需要创建一个类，然后实现以下三个方法：fit（）（返回自身）、transform（）、fit_transform（）。如果添加 TransformerMixin 作为基类，就可以直接得到最后一个方法。同时，如果添加 BaseEstimator 作为基类（并在构造函数中避免 *args 和 **kargs），你还能额外获得两个非常有用的自动调整超参数的方法 get_params（）和 set_params（）。

下面是自定义转换器，添加组合属性的例子：

特征缩放

不同的特征属性范围不一，容易给训练造成困难，增加训练时间。因此，一般会对不同特征进行同尺度缩放。常用的两种方式是归一化和标准化。

归一化很简单：将值重新缩放于 0 到 1 之间。实现方法是将值减去最小值并除以最大值和最小值的差。对此，Scikit-Learn 提供了一个名为 MinMaxScaler 的转换器。如果希望范围不是 0～1，可以通过调整超参数 feature_range 进行更改。

标准化的做法是首先减去平均值（所以标准化值的均值总是零），然后除以方差。不同于归一化，标准化不将值绑定到特定范围，对某些算法而言，这可能是个问题（例如，神经网络期望的输入值范围通常是0到1）。但是标准化的方法受异常值的影响更小。Scikit-Learn 提供了一个标准化的转换器 StandadScaler。

管道 Pipeline

我们可以把机器学习算法中许多转换操作使用管道 pipeline 统一顺序进行。Scikit-Learn 正好提供了 Pipeline 来支持这样的转换。下面是一个数值属性的流水线例子：

以上是数值型的 Pipeline 处理过程。对于非数值型的字符属性，可以建立一个新的完整的 Pipeline，将上面的 num_pipeline 和字符属性的转换整合到一个 Pipeline 中，如下所示：