一 数值类型
原因：数值类型可能跨度过大，跨几个数量级，不符合模型的前提条件。拟合出来的模型不够强壮。
1 二值化
2 处理长尾分布数量，有两种思路，一种是对数处理，一种是分箱处理。处理的原因还是因为横跨了若干个数量级，对很多模型都是问题。
3 归一化，处理设计欧式距离的算法，比如KNN，K-means，线性回归等
4交互特征
好像挺牛逼的。代价不菲，需要精心设计。
在统计机器学习中，所有特征最终都会转化为数值型特征。
二 文本数据
from sklearn.feature_extraction.text import CountVectorizer
词袋模型 -- N元词袋
TF-IDF 本质是一种特征缩放技术。凸出了罕见词，并有效的忽略的常见词。
+ 逻辑回归 + 正则化 + GridSearchCV
三 分类数据
one-hot encoding
方法一 from sklearn.preprocessing import OneHotEncoder oh = OneHotEncoder() oh.fit(data) oh.transform(data).toarray() 方法二 pd.get_dummies(data)
虚拟编码
效果编码
大型分类数据
四 数据降维 --PCA
应用场景，特征之间 线性相关
五 非线性特征化与K均值
else
解决了我之前的一个疑惑
