数据预处理（Python scikit-learn）

在机器学习任务中，经常会对数据进行预处理．如尺度变换，标准化，二值化，正规化．至于采用哪种方法更有效，则与数据分布和采用算法有关．不同算法对数据的假设不同，可能需要不同的变换，而且有时无需进行变换，也可能得到相对更好的效果．因此推荐使用多种数据变换方式，用多个不同算法学习和测试，选择相对较好的变换方式和算法．

下面对在 Python scikit-learn 库（也称 sklearn 库）中的预处理过程进行介绍：

1. 加载数据集；

2. 将数据集分为用于机器学习的输入变量和输出变量；

3. 对输入变量进行变换（或预处理）；

4. 显示变换结果（可选）．

本文采用 scikit-learn 库自带的鸢尾花数据集(Iris Plants Database)作为示例．

首先，加载数据集，获取输入变量 X 和输出变量 y ，示例代码如下：

from sklearn import datasets
import numpy as np

data = datasets.load_iris()
X, y = data.data, data.target

np.set_printoptions(precision=3)
print ("
" "Preprocess input variables: " "
")
print ("Raw Data: ")
print (X[:5, :])

然后，变换输入变量 X (类型为 <type 'numpy.ndarray'>)，具体变换如下：

尺度变换

将输入变量变换到某一范围，如 0 ~ 1 区间．在 sklearn 库中，使用 MinMaxScaler 类实现．常用于类似梯度下降的优化算法，回归和神经网络中的加权输入，以及类似 K 近邻的距离度量．示例代码如下：

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler(feature_range=(0,1))
rescaledX = scaler.fit_transform(X)

# Print transformed data
print ("
Rescaled Data: ")
print(rescaledX[0:5,:])

标准化

通常适用于高斯分布的输入变量．具体来说，将输入变量中的每个属性值减去其平均值，然后除以标准差，得到标准正态分布的属性值．在 sklearn库中，使用 StandardScaler 类实现．常用于假定输入变量高斯分布的线性回归，Logistic回归和线性判决分析．

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler().fit(X)
standardizedX = scaler.transform(X)

print ("
Standardized Data: ")
print (standardizedX[0:5,:])

正规化

将输入变量变换为具有单位范数长度的数据．常用的范数有L1，L2，详见我之前的博文 "数据正规化 (data normalization) 的原理及实现 (Python sklearn)". 在 sklearn 库中，使用 Normalizer 类实现．常用于含有许多 0 的稀疏数据集，像神经网络的采用加权输入的算法和像 K 近邻采用距离度量的算法．

from sklearn.preprocessing import Normalizer

scaler = Normalizer().fit(X)
normalizedX = scaler.transform(X)

print ("
Normalized Data: ")
print (normalizedX[0:5,:])

二值化

使用门限值，将输入数据二值化．当输入变量值大于门限值时，变换为 1；当输入变量值小于或等于门限值时，变换为 0．在 sklearn 库中，使用 Binarizer 类实现．常用于获取清晰的值的概率，产生新的有意义的属性的特征工程．

from sklearn.preprocessing import Binarizer

binarizer = Binarizer(threshold=0.0).fit(X)
binaryX = binarizer.transform(X)

print ("
Binarized Data: ")
print (binaryX[0:5,:])

参考资料

Jason Brownlee. How To Prepare Your Data For Machine Learning in Python with Scikit-Learn. 

https://machinelearningmastery.com/prepare-data-machine-learning-python-scikit-learn/