大數(shù)據(jù)預(yù)處理代碼

第一個(gè)例子：importmatplotlib.pyplotaspltimportnumpyasnpfromsklearn.model_selectionimporttrain_test_splitfromsklearn.decompositionimportPCAfromsklearn.pipelineimportmake_pipelinefromsklearn.preprocessingimportFunctionTransformerdef_generate_vector(shift=0.5,noise=15):returnnp.arange(1000)+(np.random.rand(1000)-shift)*noisedefgenerate_dataset():IIIIIIThisdatasetistwolineswithaslope~1,whereonehasayoffsetof~100IIIIIIreturnnp.vstack((np.vstack((_generate_vector(),_generate_vector()+100,)).T,np.vstack((_generate_vector(),_generate_vector(),)).T,)),np.hstack((np.zeros(1000),np.ones(1000)))defall_but_first_column(X):returnX[:,1:]defdrop_first_component(X,y):IIIIIICreateapipelinewithPCAandthecolumnselectoranduseittotransformthedataset.IIIIIIpipeline=make_pipeline(PCA(),FunctionTransformer(all_but_first_column),)X_train,X_test,y_train,y_test=train_test_split(X,y)pipeline.fit(X_train,y_train)returnpipeline.transform(X_test),y_testif__name__=='__main__':X,y=generate_dataset()lw=0plt.figure()plt.scatter(X[:,0],X[:,1],c=y,lw=lw)plt.figure()X_transformed,y_transformed=drop_first_component(*generate_dataset())plt.scatter(X_transformed[:,0],np.zeros(len(X_transformed)),c=y_transformed,lw=lw,s=60)plt.show()第二個(gè)例子：from__future__importprint_functionprint(__doc__)#Codesource:ThomasUnterthiner#License:BSD3clauseimportmatplotlib.pyplotaspltimportnumpyasnpfromsklearn.preprocessingimportStandardScaler,RobustScaler#Createtrainingandtestdatanp.random.seed(42)n_datapoints=100Cov=[[0.9,0.0],[0.0,20.0]]mu1=[100.0,-3.0]mu2=[101.0,-3.0]X1=np.random.multivariate_normal(mean=mu1,cov=Cov,size=n_datapoints)X2=np.random.multivariate_normal(mean=mu2,cov=Cov,size=n_datapoints)Y_train=np.hstack([[-1]*n_datapoints,[1]*n_datapoints])X_train=np.vstack([X1,X2])X1=np.random.multivariate_normal(mean=mu1,cov=Cov,size=n_datapoints)X2=np.random.multivariate_normal(mean=mu2,cov=Cov,size=n_datapoints)Y_test=np.hstack([[-1]*n_datapoints,[1]*n_datapoints])X_test=np.vstack([X1,X2])X_train[0,0]=-1000#afairlylargeoutlier#Scaledatastandard_scaler=StandardScaler()Xtr_s=standard_scaler.fit_transform(X_train)Xte_s=standard_scaler.transform(X_test)robust_scaler=RobustScaler()Xtr_r=robust_scaler.fit_transform(X_train)Xte_r=robust_scaler.transform(X_test)#Plotdatafig,ax=plt.subplots(1,3,figsize=(12,4))ax[0].scatter(X_train[:,0],X_train[:,1],color=np.where(Y_train>0,'r','b'))ax[1].scatter(Xtr_s[:,0],Xtr_s[:,1],color=np.where(Y_train>0,'r','b'))ax[2].scatter(Xtr_r[:,0],Xtr_r[:,1],color=np.where(Y_train>0,'r','b'))ax[0].set_title("Unscaleddata")ax[1].set_title("Afterstandardscaling(zoomedin)")ax[2].set_title("Afterrobustscaling(zoomedin)")#forthescaleddata,wezoomintothedatacenter(outliercan'tbeseen!)forainax[1:]:a.set_xlim(-3,3)a.set_ylim(-3,3)plt.tight_layout()plt.show()#Classifyusingk-NNfromsklearn.neighborsimportKNeighborsClassifierknn=KNeighborsClassifier()knn.fit(Xtr_s,Y_train)acc_s=knn.score(Xte_s,Y_test)print("Testsetaccuracyusingstandardscaler:%.3f"%acc_s)knn.fit(Xtr_r,Y_train)acc_r=knn.score(Xte_r,Y_test)print("Testsetaccuracyusingrobustscaler:%.3f"%acc_r)Scikit-learnPreprocessing預(yù)處理本文主要是對(duì)照scikit-learn的preprocessing章節(jié)結(jié)合代碼簡(jiǎn)單的回顧下預(yù)處理技術(shù)的幾種方法，主要包括標(biāo)準(zhǔn)化、數(shù)據(jù)最大最小縮放處理、正則化、特征二值化和數(shù)據(jù)缺失值處理內(nèi)容比較簡(jiǎn)單，僅供參考！首先來(lái)回顧一下下面要用到的基本知識(shí)。一、知識(shí)回顧均值公式：X_=1n三上1nXi方差公式：S2=1nX_i=1n(X,-X")20-范數(shù)，向量中非零元素的個(gè)數(shù)。1-范數(shù)：X=X_i=1nxi2-范數(shù)：|兇|二=("%2匯P-范數(shù)的計(jì)算公式：||X||p=(|x1|p+|x2|p+...+|xn|p)1p數(shù)據(jù)標(biāo)準(zhǔn)化：當(dāng)單個(gè)特征的樣本取值相差甚大或明顯不遵從高斯正態(tài)分布時(shí)，標(biāo)準(zhǔn)化表現(xiàn)的效果較差。實(shí)際操作中，經(jīng)常忽略特征數(shù)據(jù)的分布形狀，移除每個(gè)特征均值，劃分離散特征的標(biāo)準(zhǔn)差，從而等級(jí)化，進(jìn)而實(shí)現(xiàn)數(shù)據(jù)中心化。二、標(biāo)準(zhǔn)化(Standardization)，或者去除均值和方差進(jìn)行縮放公式為：(X-X_mean)/X_std計(jì)算時(shí)對(duì)每個(gè)屬性/每列分別進(jìn)行.將數(shù)據(jù)按其屬性(按列進(jìn)行)減去其均值，然后除以其方差。最后得到的結(jié)果是，對(duì)每個(gè)屬性/每列來(lái)說(shuō)所有數(shù)據(jù)都聚集在0附近，方差值為1。首先說(shuō)明下sklearn中preprocessing庫(kù)里面的scale函數(shù)使用方法：sklearn.preprocessing.scale(X,axis=0,with_mean=True,with_std=True,copy=True)根據(jù)參數(shù)的不同，可以沿任意軸標(biāo)準(zhǔn)化數(shù)據(jù)集。參數(shù)解釋：X：數(shù)組或者矩陣

? axis：int類型，初始值為0,axis用來(lái)計(jì)算均值means和標(biāo)準(zhǔn)方差standarddeviations.如果是0，則單獨(dú)的標(biāo)準(zhǔn)化每個(gè)特征(列)，如果是1，則標(biāo)準(zhǔn)化每個(gè)觀測(cè)樣本行)。with_mean:boolean類型，默認(rèn)為True,表示將數(shù)據(jù)均值規(guī)范到0with_std:boolean類型，默認(rèn)為True,表示將數(shù)據(jù)方差規(guī)范到1一個(gè)簡(jiǎn)單的例子假設(shè)現(xiàn)在我構(gòu)造一個(gè)數(shù)據(jù)集X，然后想要將其標(biāo)準(zhǔn)化。下面使用不同的方法來(lái)標(biāo)準(zhǔn)化X：方法一：使用sklearn.preprocessing?scale()函數(shù)方法說(shuō)明：X.mean(axis=0)用來(lái)計(jì)算數(shù)據(jù)X每個(gè)特征的均值;X.std(axis=0)用來(lái)計(jì)算數(shù)據(jù)X每個(gè)特征的方差;? preprocessing.scale(X)直接標(biāo)準(zhǔn)化數(shù)據(jù)X。將代碼整理到一個(gè)文件中：fromsklearnimportpreprocessingimportnumpyasX=np.array[[npimportnumpyasX=np.array[[np1.,2.,-1.,0.,2.],0.],[0.,1.,-1.]])#calculatemeanX_mean=X.mean(axis=0)#calculatevarianceX_std=X.std(axis=0)#standardizeXX1=(X-X_mean)/X_std#usefunctionpreprocessing.scaletostandardizeXX_scale=preprocessing.scale(X)最后X_scale的值和X1的值是一樣的，前面是單獨(dú)的使用數(shù)學(xué)公式來(lái)計(jì)算，主要是為了形成一個(gè)對(duì)比，能夠更好的理解scale()方法。方法2：sklearn.preprocessing.StandardScaler類該方法也可以對(duì)數(shù)據(jù)X進(jìn)行標(biāo)準(zhǔn)化處理，實(shí)例如下：fromsklearnimportpreprocessingimportnumpyasX=np.array(importnumpyasX=np.array([[[np1.,2.,-1.,0.,2.],0.],[0.,1.,-1.]])scaler=preprocessing.StandardScaler()X_scaled=scaler.fit_transform(X)這兩個(gè)方法得到最后的結(jié)果都是一樣的。

三、將特征的取值縮小到一個(gè)范圍（如0到1）除了上述介紹的方法之外，另一種常用的方法是將屬性縮放到一個(gè)指定的最大值和最小值（通常是1-0）之間，這可以通過(guò)preprocessing.MinMaxScaler類來(lái)實(shí)現(xiàn)。使用這種方法的目的包括：1、對(duì)于方差非常小的屬性可以增強(qiáng)其穩(wěn)定性；2、維持稀疏矩陣中為0的條目。F面將數(shù)據(jù)縮至0-1之間，采用MinMaxScaler函數(shù)fromsklearnimportpreprocessingimportnumpyasXimportnumpyasX=np.array([[np1.,-1.,2.],2.,0.,0.],0. ,1. ],0.5,0.33333333],1. ,0. ]])>>>0. ,1. ],0.5,0.33333333],1. ,0. ]])>>>X_test=np.array[[-3.,-1.,4.]])[0.,1.,-1.]])min_max_scaler=preprocessing.MinMaxScaler()X_minMax=min_max_scaler.fit_transform(X)最后輸出：array（[[0.[1.[0.測(cè)試用例：>>>X_test_minmax=min_max_scaler.transform(X_test)>>>X_test_minmaxarray([[-1.5 ,0.,1.66666667]])注意：這些變換都是對(duì)列進(jìn)行處理。當(dāng)然，在構(gòu)造類對(duì)象的時(shí)候也可以直接指定最大最小值的范圍::eature_range=(min,max),此時(shí)應(yīng)用的公式變?yōu)椋篨_std=(X-X.min(axis=0))/(X.max(axis=0)-X.min(axis=0))X_minmax=X_std/(X.max(axis=0)-X.min(axis=0))+X.min(axis=0))四、正則化(Normalization)正則化的過(guò)程是將每個(gè)樣本縮放到單位范數(shù)（每個(gè)樣本的范數(shù)為1），如果要使用如二次型（點(diǎn)積）或者其它核方法計(jì)算兩個(gè)樣本之間的相似性這個(gè)方法會(huì)很有用。該方法是文本分類和聚類分析中經(jīng)常使用的向量空間模型（VectorSpaceModel）的基礎(chǔ).Normalization主要思想是對(duì)每個(gè)樣本計(jì)算其p-范數(shù)，然后對(duì)該樣本中每個(gè)元素除以該范數(shù),這樣處理的結(jié)果是使得每個(gè)處理后樣本的p-范數(shù)（l1-norm,l2-norm）等于1。方法1：使用sklearn.preprocessing.normalize。函數(shù)

>>>X=[[1.,-1.>>>X_normalized2.>>>X=[[1.,-1.>>>X_normalized2.],... [2.,0.,0.],... [0.,preprocessing.normalize(X,norm='l2'1.-1.]]>>>X_normalizedarray([[0.40...,-0.40...,0.81...],[1 ,0 ,0 ],[0 ,0.70...,-0.70...]])#fitdoes方法2：sklearn.preprocessing.StandardScaler#fitdoes>>>normalizer=preprocessing.Normalizer().fit(X)nothing>>>normalizerNormalizer(copy=Truenorm=Normalizer(copy=Truenorm='l2'然后使用正則化實(shí)例來(lái)轉(zhuǎn)換樣本向量：>>>normalizer.transform(X)array([[0.40...,-0.40...,0.81...],[1 ,0 ,0 ],[0 ,0.70...,-0.70...]])>>>normalizer.transform([[-1.,1.,0.]])array([[-0.70...,0.70...,0 ]])兩種方法都可以，效果是一樣的。五、二值化(Binarization)特征的二值化主要是為了將數(shù)據(jù)特征轉(zhuǎn)變成boolean變量。在sklearn中,skiearn.preprocessing.Binarizer函數(shù)可以實(shí)現(xiàn)這一功能。實(shí)例如下：>>>X=[[1.,->>>X=[[1.,-1.,2.],...[2.,0.,0.],...[0.,1.,-1.]]>>>binarizerpreprocessing.Binarizer().fit(X)#>>>binarizer>>>binarizerBinarizer(copy=True,threshold=0.0)>>>binarizer.transform(X)array([[1.,0.,1.],[1.,0.,0.],[0.,1.,0.]])Binarizer函數(shù)也可以設(shè)定一個(gè)閾值，結(jié)果數(shù)據(jù)值大于閾值的為1小于閾值的為0,實(shí)例代碼如下：>>>binarizer=preprocessing.Binarizer(threshold=1.1)>>>binarizer.transform(X)array([[0.,0.,1.],[1.,0.,0.],[0.,0.,0.]]

六、缺失值處理由于不同的原因，許多現(xiàn)實(shí)中的數(shù)據(jù)集都包含有缺失值，要么是空白的，要么使用NaNs或者其它的符號(hào)替代。這些數(shù)據(jù)無(wú)法直接使用scikit-learn分類器直接訓(xùn)練，所以需要進(jìn)行處理。幸運(yùn)地是，sklearn中的Imputer類提供了一些基本的方法來(lái)處理缺失值，如使用均值、中位值或者缺失值所在列中頻繁出現(xiàn)的值來(lái)替換。下面是使用均值來(lái)處理的實(shí)例：>>>importnumpyasnp>>>fromsklearn.preprocessingimportImputerimp=Imputer(missing_values='NaN',strategy='mean',axis=0)imp.fit(>>>importnumpy