大數據預處理代碼

1、第一個例子：import matplotlib.pyplot as pltimport numpy as npfrom sklearn.model_selection import train_test_splitfrom sklearn.decomposition import PCAfrom sklearn.pipeline import make_pipelinefrom sklearn.preprocessing import FunctionTransformerdef _generate_vector(shift=0.5, noise=15): return np.arange(1

2、000) + (np.random.rand(1000) - shift) * noisedef generate_dataset(): """ This dataset is two lines with a slope 1, where one has a y offset of 100 """ return np.vstack( np.vstack( _generate_vector(), _generate_vector() + 100, ).T, np.vstack( _generate_vector(), _generat

3、e_vector(), ).T, ), np.hstack(np.zeros(1000), np.ones(1000)def all_but_first_column(X): return X:, 1:def drop_first_component(X, y): """ Create a pipeline with PCA and the column selector and use it to transform the dataset. """ pipeline = make_pipeline( PCA(), Function

4、Transformer(all_but_first_column), ) X_train, X_test, y_train, y_test = train_test_split(X, y) pipeline.fit(X_train, y_train) return pipeline.transform(X_test), y_testif _name_ = '_main_': X, y = generate_dataset() lw = 0 plt.figure() plt.scatter(X:, 0, X:, 1, c=y, lw=lw) plt.figure() X_tran

5、sformed, 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()第二個例子：from _future_ import print_functionprint(_doc_)# Code source: Thomas Unterthiner# License: BSD 3 clauseimport matplotlib.pyplo

6、t as pltimport numpy as npfrom sklearn.preprocessing import StandardScaler, RobustScaler# Create training and test datanp.random.seed(42)n_datapoints = 100Cov = 0.9, 0.0, 0.0, 20.0mu1 = 100.0, -3.0mu2 = 101.0, -3.0X1 = np.random.multivariate_normal(mean=mu1, cov=Cov, size=n_datapoints)X2 = np.random

7、.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(

8、-1*n_datapoints, 1*n_datapoints)X_test = np.vstack(X1, X2)X_train0, 0 = -1000 # a fairly large outlier# Scale datastandard_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

9、(X_train)Xte_r = robust_scaler.transform(X_test)# Plot datafig, ax = plt.subplots(1, 3, figsize=(12, 4)ax0.scatter(X_train:, 0, X_train:, 1, color=np.where(Y_train > 0, 'r', 'b')ax1.scatter(Xtr_s:, 0, Xtr_s:, 1, color=np.where(Y_train > 0, 'r', 'b')ax2.scatter(X

10、tr_r:, 0, Xtr_r:, 1, color=np.where(Y_train > 0, 'r', 'b')ax0.set_title("Unscaled data")ax1.set_title("After standard scaling (zoomed in)")ax2.set_title("After robust scaling (zoomed in)")# for the scaled data, we zoom in to the data center (outlier c

11、an't be seen!)for a in ax1: a.set_xlim(-3, 3) a.set_ylim(-3, 3)plt.tight_layout()plt.show()# Classify using k-NNfrom sklearn.neighbors import KNeighborsClassifierknn = KNeighborsClassifier()knn.fit(Xtr_s, Y_train)acc_s = knn.score(Xte_s, Y_test)print("Testset accuracy using standard scaler:

12、 %.3f" % acc_s)knn.fit(Xtr_r, Y_train)acc_r = knn.score(Xte_r, Y_test)print("Testset accuracy using robust scaler: %.3f" % acc_r)Scikit-learn Preprocessing 預處理本文主要是對照scikit-learn的preprocessing章節(jié)結合代碼簡單的回顧下預處理技術的幾種方法，主要包括標準化、數據最大最小縮放處理、正則化、特征二值化和數據缺失值處理。內容比較簡單，僅供參考！首先來回顧一下下面要用到的基本知識。一、知

13、識回顧均值公式：x¯=1n_i=1nxi方差公式：s2=1n_i=1n(xix¯)20-范數，向量中非零元素的個數。1-范數：|X|=_i=1n|xi|2-范數：|X|_2=(_i=1nx2i)12p-范數的計算公式：|X|p=(|x1|p+|x2|p+.+|xn|p)1p數據標準化：當單個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，標準化表現的效果較差。實際操作中，經常忽略特征數據的分布形狀，移除每個特征均值，劃分離散特征的標準差，從而等級化，進而實現數據中心化。二、標準化(Standardization)，或者去除均值和方差進行縮放公式為：(X-X_mean)/X

14、_std 計算時對每個屬性/每列分別進行.將數據按其屬性(按列進行)減去其均值，然后除以其方差。最后得到的結果是，對每個屬性/每列來說所有數據都聚集在0附近，方差值為1。首先說明下sklearn中preprocessing庫里面的scale函數使用方法：sklearn.preprocessing.scale(X, axis=0, with_mean=True,with_std=True,copy=True)根據參數的不同，可以沿任意軸標準化數據集。參數解釋：· X：數組或者矩陣· axis：int類型，初始值為0，axis用來計算均值 means 和標準方差 standar

15、d deviations. 如果是0，則單獨的標準化每個特征（列），如果是1，則標準化每個觀測樣本（行）。· with_mean: boolean類型，默認為True，表示將數據均值規(guī)范到0· with_std: boolean類型，默認為True，表示將數據方差規(guī)范到1一個簡單的例子假設現在我構造一個數據集X，然后想要將其標準化。下面使用不同的方法來標準化X：方法一：使用sklearn.preprocessing.scale()函數方法說明：· X.mean(axis=0)用來計算數據X每個特征的均值；· X.std(axis=0)用來計算數據X每個特

16、征的方差；· preprocessing.scale(X)直接標準化數據X。將代碼整理到一個文件中：from sklearn import preprocessing import numpy as npX = np.array( 1., -1., 2., 2., 0., 0., 0., 1., -1.)# calculate meanX_mean = X.mean(axis=0)# calculate variance X_std = X.std(axis=0)# standardize XX1 = (X-X_mean)/X_std# use function preprocess

17、ing.scale to standardize XX_scale = preprocessing.scale(X)最后X_scale的值和X1的值是一樣的，前面是單獨的使用數學公式來計算，主要是為了形成一個對比，能夠更好的理解scale()方法。方法2：sklearn.preprocessing.StandardScaler類該方法也可以對數據X進行標準化處理，實例如下：from sklearn import preprocessing import numpy as npX = np.array( 1., -1., 2., 2., 0., 0., 0., 1., -1.)scaler =

18、preprocessing.StandardScaler()X_scaled = scaler.fit_transform(X)這兩個方法得到最后的結果都是一樣的。三、將特征的取值縮小到一個范圍（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指定的最大值和最小值(通常是1-0)之間，這可以通過preprocessing.MinMaxScaler類來實現。使用這種方法的目的包括：· 1、對于方差非常小的屬性可以增強其穩(wěn)定性；· 2、維持稀疏矩陣中為0的條目。下面將數據縮至0-1之間，采用MinMaxScaler函數from sklearn import

19、preprocessing import numpy as npX = np.array( 1., -1., 2., 2., 0., 0., 0., 1., -1.)min_max_scaler = preprocessing.MinMaxScaler()X_minMax = min_max_scaler.fit_transform(X)最后輸出：array( 0.5 , 0. , 1. , 1. , 0.5 , 0.33333333, 0. , 1. , 0. )測試用例：>>> X_test = np.array( -3., -1., 4.)>>> X_

20、test_minmax = min_max_scaler.transform(X_test)>>> X_test_minmaxarray(-1.5 , 0. , 1.66666667)注意：這些變換都是對列進行處理。當然，在構造類對象的時候也可以直接指定最大最小值的范圍：feature_range=(min, max)，此時應用的公式變?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(Normal

21、ization)正則化的過程是將每個樣本縮放到單位范數(每個樣本的范數為1)，如果要使用如二次型(點積)或者其它核方法計算兩個樣本之間的相似性這個方法會很有用。該方法是文本分類和聚類分析中經常使用的向量空間模型（Vector Space Model)的基礎.Normalization主要思想是對每個樣本計算其p-范數，然后對該樣本中每個元素除以該范數，這樣處理的結果是使得每個處理后樣本的p-范數(l1-norm,l2-norm)等于1。方法1：使用sklearn.preprocessing.normalize()函數>>> X = 1., -1., 2.,. 2., 0.,

22、0.,. 0., 1., -1.>>> X_normalized = preprocessing.normalize(X, norm='l2')>>> X_normalized array( 0.40., -0.40., 0.81., 1. ., 0. ., 0. ., 0. ., 0.70., -0.70.)方法2：sklearn.preprocessing.StandardScaler類>>> normalizer = preprocessing.Normalizer().fit(X) # fit does nothin

23、g>>> normalizerNormalizer(copy=True, norm='l2')然后使用正則化實例來轉換樣本向量：>>> 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

24、是為了將數據特征轉變成boolean變量。在sklearn中，sklearn.preprocessing.Binarizer函數可以實現這一功能。實例如下：>>> X = 1., -1., 2.,. 2., 0., 0.,. 0., 1., -1.>>> binarizer = preprocessing.Binarizer().fit(X) # fit does nothing>>> binarizerBinarizer(copy=True, threshold=0.0)>>> binarizer.transform(X

25、)array( 1., 0., 1., 1., 0., 0., 0., 1., 0.)Binarizer函數也可以設定一個閾值，結果數據值大于閾值的為1，小于閾值的為0，實例代碼如下：>>> 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，許多現實中的數據集都包含有缺失值，要么是空白的，要么使用NaNs或者其它的符號替代。這些數據無法直接使用scikit-learn分類器直接訓練，所以需要進行處理。幸運地是，sklearn中的Imputer類提供了一些基本的方法來處理缺失值，如使用均值、中位值或者缺失值所在列中頻繁出現的值來替換。下面是使用均值來處理的實例：>>> import numpy as np>>> from sklearn.prepro