机器学习基础系列（2）——数据预处理
作者：互联网
本文系PWN2WEB原创，转载请说明出处
机器学习算法最终学习结果的优劣取决于数据质量和数据中蕴含的有用信息数量，对数据的处理对模型高效性起到了巨大的作用。
一 缺失数据的处理
数据采集过程中的错误导致缺失值的出现，我们无法忽略这些缺失值，所以我们需要对这些缺失值进行处理。
首先我们构造一个csv文件来举例说明问题的所在。
构造如下的CSV文件：
- read_csv函数是将CSV格式数据读取到pandas的数据框(DataFrame)中
- StringIO仅仅起到演示作用：如果我们的数据是存储在硬盘上的CSV文件，就可以通过此函数以字符串的方式从文件中读取数据，并将器转换成DataFrame的格式赋值给csv_data
0x01 方法一 —— 缺失值的特征或样本删除
最简单的方法就是直接删除缺失数据，可以使用的方法是dropna, 即df.dropna()
可以看到，该函数默认删除行，如果需要删除列的话则需要加上一个参数axis：
axis=1表示删除含NaN的列，0表示删除具备NaN值的行
此函数还有其他几个参数：
- dropna(how='all') 丢弃一行的所有列全为NaN的
- dropna(subset=['C']) 删除NaN值出现在特定的列的行
0x02 缺失数据填充
一般来说直接删除是整列或整行是不行的，会丢失很多珍贵的数据，这种情况下我们可以使用不同的插值技术，最常用的是均值插补通过数据集中其他训练的数据来估计缺失值，我们使用Impute类实现
均值插补一般是用计算行或列的平均值来进行插补，如下图及代码，这里axis=1，是计算每行除缺失值的其他所有数字和的均值，并填入。
axis=0则就是计算每列的平均值。
同时，参数strategy可以有median和most_frequent，根据特定情况具体应用
这里，Imputer为转换器类API，常用的两个方法是fit和transform，二者区别见此文：https://blog.csdn.net/weixin_38278334/article/details/82971752
二 处理类别数据
真实情况下，经常会出现一个或多个类别数据的特征列。在讨论类别数据时，又可以进一步将他们划分为标称特征和有序特征，有序特征可以理解为类别的值时有序的或者时可以排序的。标称特征则不具备排序的特性。讨论这个问题前我们先构造数据集：
0x01 有序特征的映射
一般来说，为了确保算法可以有效、高效的使用有序特征，我们需要将字符串转换为整数，通常情况下需要我们手动构造映射：
0x02 类标的编码
上一小节我们提到了对有序特征的映射，仔细想想，其实这些数字的顺序并不是很有意义，只要是一一对应即可，那么这里有个小技巧：
classmapping1通过枚举的方式（enumerate）,这里我解释一下这个class_mapping1后面字典的代码是什么个原理，
首先，np.unique( ) 函数，转自（https://blog.csdn.net/u012193416/article/details/79672729）：
那就是说，将 将df1中的classlabel这个标的所有值去除重复值取出来
然后是我们的enumerate函数，这个函数主要是将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列
然后我们回过头来看label:idx这个东西，我们先看这个
这个map对应的是 label：数字 ， 但是label:idx这种写法就是将字典的键值对转换成这种表达方式
最后就是for idx,label in 这句话就是将idx,label组合并分别赋值
上面两种方案太麻烦了，使用LabelEncoder类可以更加方便的完成对类标的整数编码工作
0x03 标称特征上的one-hot编码
用上面的方法去标识标称特征往往会出现如blue=1 > red=0这种情况，然而blue和red是无法比较的，这种情况下我们就要用到one-hot编码了
具体可参考：
https://zhuanlan.zhihu.com/p/35287916
https://www.imooc.com/article/35900
我简要说明一下，举例：{红，黄，蓝}，{男，女}，{东，西，南，北}、
首先，红黄蓝，一个特征三个类别，那就是N=3，就用三位数表示：100红 010黄 001蓝
其次，男女，一个特征两个类别，那就是N=2，就用两位数表示：10男 01女
东西南北以此类推。当一个样本为[男 黄 女 蓝 北]时，就直接按顺序把对应的编码放进去就行了：[1,0, 0,1,0, 0,1, 0,0,1, 0,0,0,1] 。这样的化会让特征空间很大，一般会结合PCA使用，我们后面会说到。
三 训练集和测试集划分
这部分虽就简单的几行代码，但是需要注意的有很多
选取UCI的葡萄酒数据举例，一共13个特征，下面第二个cell的第二行，是将numpy数组的第2-13个特征赋值给X，第一个类标特征赋值给y。这里简要介绍一下，df_wine.iloc[:, 1:]这个东西，逗号前的那个冒号，意味着第几条到第几条数据传给X，因为是冒号，那么就是所有。逗号后的1:，是第几个到第几个的特征赋值。
之后，我们要70:30划分数据集和测试集（即上图种的0.3），实际应用中，我们基于数据大小划分数据集，一般是60:40, 70:30,80:20，对于非常庞大的数据集，那就是90:10或者99:1了，然而，测试集不能太小，否则就会对泛化误差的估计将会越不准确。
四 将特征的值缩放到相同的区间
特征缩放的定义是特征缩放就是标准化数据特征的范围，从而使得每个特征的范围有可比性，比如将取值范围处理为0到1之间。
将特征缩放到相同的区间有归一化和标准化两个常用方法。
归一化：一般是缩放到[0,1]区间，为最小-最大缩放的一个特例
from sklearn.preprocesing import MinMaxScaler mms = MinMaxScaler()
标准化：可以将均值设为0，方差设为1，使得特征列的值呈标准正态分布，易于权重的更新。
from sklearn.preprocessing import StandardScaler stdsc = StandardScaler()
标签：系列,删除,特征,dropna,预处理,机器,label,数据,缺失 来源： https://www.cnblogs.com/pwn2web/p/12196222.html