preprocessing 模块提供了数据预处理函数和预处理类,预处理类主要是为了方便添加到 pipeline 过程中。
数据标准化
标准化预处理函数:
- preprocessing.scale(X, axis=0, with_mean=True, with_std=True, copy=True):
将数据转化为标准正态分布(均值为0,方差为1) - preprocessing.minmax_scale(X, feature_range=(0, 1), axis=0, copy=True):
将数据在缩放在固定区间,默认缩放到区间 [0, 1] - preprocessing.maxabs_scale(X, axis=0, copy=True):
数据的缩放比例为绝对值最大值,并保留正负号,即在区间 [-1.0, 1.0] 内。唯一可用于稀疏数据 scipy.sparse 的标准化 - preprocessing.robust_scale(X, axis=0, with_centering=True, with_scaling=True, copy=True):
通过 Interquartile Range (IQR) 标准化数据,即四分之一和四分之三分位点之间
它们对应的标准化预处理类:
- class preprocessing.StandardScaler(copy=True, with_mean=True, with_std=True):
标准正态分布化的类
属性:- scale_:ndarray,缩放比例
- mean_:ndarray,均值
- var_:ndarray,方差
- n_samples_seen_:int,已处理的样本个数,调用
partial_fit()
时会累加,调用fit()
会重设
- class preprocessing.MinMaxScaler(feature_range=(0, 1), copy=True):
将数据在缩放在固定区间的类,默认缩放到区间 [0, 1]
属性:- min_:ndarray,缩放后的最小值偏移量
- scale_:ndarray,缩放比例
- data_min_:ndarray,数据最小值
- data_max_:ndarray,数据最大值
- data_range_:ndarray,数据最大最小范围的长度
- class preprocessing.MaxAbsScaler(copy=True):
数据的缩放比例为绝对值最大值,并保留正负号,即在区间 [-1.0, 1.0] 内。可以用于稀疏数据 scipy.sparse
属性:- scale_:ndarray,缩放比例
- max_abs_:ndarray,绝对值最大值
- n_samples_seen_:int,已处理的样本个数
- class preprocessing.RobustScaler(with_centering=True, with_scaling=True, copy=True):
通过 Interquartile Range (IQR) 标准化数据,即四分之一和四分之三分位点之间
属性:- center_:ndarray,中心点
- scale_:ndarray,缩放比例
- class preprocessing.KernelCenterer:
生成 kernel 矩阵,用于将 svm kernel 的数据标准化(参考资料不全)
以上几个标准化类的方法:
- fit(X[, y]):根据数据 X 的值,设置标准化缩放的比例
- transform(X[, y, copy]):用之前设置的比例标准化 X
- fit_transform(X[, y]):根据 X 设置标准化缩放比例并标准化
- partial_fit(X[, y]):累加性的计算缩放比例
- inverse_transform(X[, copy]):将标准化后的数据转换成原数据比例
- get_params([deep]):获取参数
- set_params(**params):设置参数
数据归一化
- preprocessing.normalize(X, norm='l2', axis=1, copy=True):
将数据归一化到区间 [0, 1],norm 可取值 'l1'、'l2'、'max'。可用于稀疏数据 scipy.sparse - class preprocessing.Normalizer(norm='l2', copy=True):
数据归一化的类。可用于稀疏数据 scipy.sparse
方法:fit(X[, y])、transform(X[, y, copy])、fit_transform(X[, y])、get_params([deep])、set_params(**params)
数据二值化
- preprocessing.binarize(X, threshold=0.0, copy=True):
将数据转化为 0 和 1,其中小于等于 threshold 为 0,可用于稀疏数据 scipy.sparse - class preprocessing.Binarizer(threshold=0.0, copy=True):
二值化处理的类,可用于稀疏数据 scipy.sparse
方法:fit(X[, y])、transform(X[, y, copy])、fit_transform(X[, y])、get_params([deep])、set_params(**params),其中 fit 函数不会做任何操作
类别数据编码
数据的某些特征是文本,特征是无序的,比如国籍,但数字是有序的,所以不能直接用数字编码
-
class preprocessing.OneHotEncoder(n_values='auto', categorical_features='all', dtype='float', sparse=True, handle_unknown='error'):
将具有多个类别的特征转换为多维二元特征,所有二元特征互斥,当某个二元特征为 1 时,表示取某个类别
参数:- n_values:处理的类别个数,可以为‘auto’,int 或者 int数组
- categorical_features:被当作类别来处理的特征,可以为“all”或者下标数组指定或者mask数组指定
属性:
- active_features_:ndarray,实际处理的类别数
- feature_indices_:ndarray,第 i 个原特征在转换后的特征中的下标在 feature_indices_[i] 和 feature_indices_[i+1] 之间
- n_values_:ndarray,每维的类别数
方法:fit(X[, y])、transform(X[, y, copy])、fit_transform(X[, y])、get_params([deep])、set_params(**params)
-
class preprocessing.LabelBinarizer(neg_label=0, pos_label=1, sparse_output=False):
和 OneHotEncoder 类似,将类别特征转换为多维二元特征,并将每个特征扩展成用一维表示
属性:- classes:ndarry,所有类别的值
- y_type_:str
- multilabel_:bool
- sparse_input_:bool
- indicator_matrix_:str
方法:fit(X[, y])、transform(X[, y, copy])、fit_transform(X[, y])、inverse_transform(y)、get_params([deep])、set_params(**params)
-
preprocessing.label_binarize(y, classes, neg_label=0, pos_label=1, sparse_output=False):
LabelBinarizer 类对应的处理函数 -
class preprocessing.LabelEncoder:
将类别特征标记为 0 到 n_classes - 1 的数
方法:fit(X[, y])、transform(X[, y, copy])、fit_transform(X[, y])、inverse_transform(y)、get_params([deep])、set_params(**params) -
class preprocessing.MultiLabelBinarizer(classes=None, sparse_output=False):
和 LabelBinarizer 类似
feature_extraction.DictVectorizer类
patsy包
数据缺失
-
class preprocessing.Imputer(missing_values='NaN', strategy='mean', axis=0, verbose=0, copy=True):
参数:- missing_values:int 或者 “NaN”,对np.nan的值用 "NaN"
- strategy:"mean"、"median"、"most_frequent"
属性:
- statistics_:ndarray,当axis==0时,取每列填补时用的值
方法:fit(X[, y])、transform(X[, y, copy])、fit_transform(X[, y])、get_params([deep])、set_params(**params)
生成多项式数据
可以将数据多项式结合生成多维特征,比如 [a, b] 的二次多项式特征为 [1, a, b, a^2, ab, b^2]
-
class preprocessing.PolynomialFeatures(degree=2, interaction_only=False, include_bias=True):
参数:- degree:int,多项式次数
- interaction_only:boolean,是否只产生交叉相乘的特征
- include_bias:boolean,是否包含偏移列,即全为 1 的列
属性:
- powers_:ndarray,二维数组。powers_[i, j] 表示第 i 维输出中包含的第 j 维输入的次数
- n_input_features_:int,输入维数
- n_output_features_:int,输出维数
方法:fit(X[, y])、transform(X[, y, copy])、fit_transform(X[, y])、get_params([deep])、set_params(**params)
增加伪特征
- preprocessing.add_dummy_feature(X, value=1.0):
在 X 的第一列插入值为 value 的列
自定义数据转换
可以使用自定义的 python 函数来转换数据
- class preprocessing.FunctionTransformer(func=None, validate=True, accept_sparse=False, pass_y=False):
方法:fit(X[, y])、transform(X[, y, copy])、fit_transform(X[, y])、get_params([deep])、set_params(**params)
参考资料
User Guide:http://scikit-learn.org/stable/modules/preprocessing.html
API:http://scikit-learn.org/stable/modules/classes.html#module-sklearn.preprocessing