大數(shù)據(jù)預(yù)處理代碼

1、第一個例子：importmatplotlib.pyplotaspltimportnumpyasnpfromsklearn.model_selectionimporttrain_test_splitfromsklearn.decompositionimportPCAfromsklearn.pipelineimportmake_pipelinefromsklearn.preprocessingimportFunctionTransformerdef_generate_vector(shift=0.5,noise=15):returnnp.arange(1000)+(np.random.rand(1

2、000)-shift)*noisedefgenerate_dataset():"""Thisdatasetistwolineswithaslope1,whereonehasayoffsetof100"""returnnp.vstack(np.vstack(_generate_vector(),_generate_vector()+100,).T,np.vstack(_generate_vector(),_generate_vector(),).T,),np.hstack(np.zeros(1000),np.ones(1000)defa

3、ll_but_first_column(X):returnX:,1:defdrop_first_component(X,y):"""CreateapipelinewithPCAandthecolumnselectoranduseittotransformthedataset."""pipeline=make_pipeline(PCA(),FunctionTransformer(all_but_first_column),)X_train,X_test,y_train,y_test=train_test_split(X,y)pipeli

4、ne.fit(X_train,y_train)returnpipeline.transform(X_test),y_testif_name_='_main_':X,y=generate_dataset()Iw=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_t

5、ransformed,lw=lw,s=60)plt.show()第二個例子：from_future_importprint_functionprint(_doc_)# Codesource:ThomasUnterthiner# License:BSD3clauseimportmatplotlib.pyplotaspltimportnumpyasnpfromsklearn.preprocessingimportStandardScaler,RobustScaler# Createtrainingandtestdatanp.random.seed(42)n_datapoints=100Cov=0.

6、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.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

7、,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_train0,0=-1000#afairlylargeoutlier# Scaledatastandard_scaler=StandardScaler()Xtr_s=standard_scaler.fit_transform(X_train)Xte_s=standard_scal

8、er.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)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.

9、where(Y_train>0,'r','b')ax2.scatter(Xtr_r:,0,Xtr_r:,1,color=np.where(Y_train>0,'r','b')ax0.set_title("Unscaleddata")ax1.set_title("Afterstandardscaling(zoomedin)")ax2.set_title("Afterrobustscaling(zoomedin)")# forthescaleddata,wezoo

10、mintothedatacenter(outliercan'tbeseen!)forainax1: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("Testsetaccuracyusingstandardscal

11、er:%.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)處理本文主要是對照scikit-learn的preprocessing章節(jié)結(jié)合代碼簡單的回顧下預(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)容比較簡單，僅供參考！首先來回顧一下下面要用到的基本知識。一、知識回顧均值公式：x=nl2

12、_i=1nxi方差公式：s2=1n2_i=1n(xi-x2)0-范數(shù)，向量中非零元素的個數(shù)。1-范數(shù):|X|二屋1n|xi|2-范數(shù):|X|_2=(i=1nx2i)12p-范數(shù)的計算公式：|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(biāo)準(zhǔn)化表現(xiàn)的效果較差。實際操作中，經(jīng)常忽略特征數(shù)據(jù)的分布形狀，移除每個特征均值，劃分離散特征的標(biāo)準(zhǔn)差，從而等級化，進(jìn)而實現(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計算時對每個屬性/每列分別進(jìn)行.將數(shù)據(jù)按其屬性

13、(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，對每個屬性/每列來說所有數(shù)據(jù)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(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用來計算均值means和標(biāo)準(zhǔn)方差standarddeviations.如果是0,則單獨(dú)的標(biāo)準(zhǔn)化每個特征(列)，如果是1,則標(biāo)準(zhǔn)化每個觀測樣本

14、(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1一個簡單的例子假設(shè)現(xiàn)在我構(gòu)造一個數(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標(biāo)準(zhǔn)化X:方法一：使用sklearn.preprocessing.scale()函數(shù)方法說明：X.mean(axis=0)用來計算數(shù)據(jù)X每個特征的均值；X.std(axis=0)用來計算數(shù)據(jù)X每個特征的方差；preprocessing.scale(X)直接標(biāo)準(zhǔn)化數(shù)據(jù)X。將代碼整理到一個文件中：fromsklearnimportpreprocessingi

15、mportnumpyasnpX=np.array(1.,-1.,2.,2.,0.,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)公式來計算，主要是為了形成一個對比，能夠更好的理解scale()方

16、法。方法2:sklearn.preprocessing.StandardScaler類該方法也可以對數(shù)據(jù)X進(jìn)行標(biāo)準(zhǔn)化處理，實例如下：fromsklearnimportpreprocessingimportnumpyasnpX=np.array(1.,-1.,2.,2.,0.,0.,0.,1.,-1.)scaler=preprocessing.StandardScaler()X_scaled=scaler.fit_transform(X)這兩個方法得到最后的結(jié)果都是一樣的。、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類來實

17、現(xiàn)。(通常是1-0)之間，這可以通過preprocessing.MinMaxScaler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(qiáng)其穩(wěn)定性；2、維持稀疏矩陣中為0的條目。卜面將數(shù)據(jù)縮至0-1之間，采用MinMaxScaler函數(shù)fromsklearnimportpreprocessingimportnumpyasnpX=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

18、.51.0.測試用例：,0.0.51.>>>X_test=np.array(,0.33333333,0.-3.,-1.,4.>>>X_test_minmax=min_max_scaler.transform(X_test)>>>X_test_minmaxarray(-1.5,0.,1.66666667注意：這些變換都是對列進(jìn)行處理。feature_range=(min,max),當(dāng)然，在構(gòu)造類對象的時候也可以直接指定最大最小值的范圍:此時應(yīng)用的公式變?yōu)椋篨_std=(X-X.min(axis=0)/(X.max(axis=0)-X.min(

19、axis=0)X_minmax=X_std/(X.max(axis=0)-X.min(axis=0)+X.min(axis=0)四、正則化(Normalization)正則化的過程是將每個樣本縮放到單位范數(shù)(每個樣本的范數(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(jīng)常使用的向量空間模型(VectorSpaceModel)的基礎(chǔ).Normalization主要思想是對每個樣本計算其p-范數(shù)，然后對該樣本中每個元素除以該范數(shù)，這樣處理的結(jié)果是使得每個處理后樣本的p-范數(shù)(l1-norm,l2-norm)等于1。方法1:使用

20、sklearn.preprocessing.normalize()函數(shù)>>>X=1.,-1.,2.,.2.,0.,0.,.0.,1.,-1.>>>X_normalized=preprocessing.normalize(X,norm='12')>>>X_normalizedarray(0.40.,-0.40.,0.81.,L.,6.,6.,0.,0.70.,-0.70.)方法2:sklearn.preprocessing.StandardScaler類>>>normalizer=preprocessing.

21、Normalizer().fit(X)#fitdoesnothing>>>normalizerNormalizer(copy=True,norm='l2')然后使用正則化實例來轉(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

22、值化主要是為了將數(shù)據(jù)特征轉(zhuǎn)變成boolean變量。在sklearn中，sklearn.preprocessing.Binarizer函數(shù)可以實現(xiàn)這一功能。實例如下：>>>X=1.,-1.,2.,.2.,0.,0.,.0.,1.,-1.>>>binarizer=preprocessing.Binarizer().fit(X)#fitdoesnothing>>>binarizerBinarizer(copy=True,threshold=0.0)>>>binarizer.transform(X)array(1.,0.,1.1,

23、1.,0.,0.,0.,1.,0.)Binarizer函數(shù)也可以設(shè)定一個閾值，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或者其它的符號替代。這些數(shù)據(jù)無法直接使用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)的值來替換。下面是使用均值來處理的實例：> >>importnumpyasnp> >>fromsklearn.pre