python：经常使用的几种预处理方法

标准化

变换后各维特征有0均值，单位方差。也叫z-score规范化（零均值规范化）。计算方式是将特征值减去均值，除以标准差。

1. from sklearn.preprocessing import scale
2. X = np.array([[ 1., -1., 2.],[ 2., 0., 0.],[ 0., 1., -1.]])
3. scale(X)

通常会把train和test集放在一块儿作标准化，或者在train集上作标准化后，用一样的标准化器去标准化test集，此时能够用scaler

1. from sklearn.preprocessing import StandardScaler
2. scaler = StandardScaler().fit(train)
3. scaler.transform(train)
4. scaler.transform(test)

最小-最大规范化

最小-最大规范化对原始数据进行线性变换，变换到[0,1]区间（也能够是其余固定最小最大值的区间）

1. min_max_scaler = sklearn.preprocessing.MinMaxScaler()
2. min_max_scaler.fit_transform(X_train)

规范化:正则化

规范化是将不一样变化范围的值映射到相同的固定范围，常见的是[0,1]，此时也称为归一化。《机器学习》周志华

1. X = [[ 1, -1, 2],[ 2, 0, 0], [ 0, 1, -1]]
2. sklearn.preprocessing.normalize(X, norm='l2')

1. array([[ 0.40, -0.40, 0.81], [ 1, 0, 0], [ 0, 0.70, -0.70]])

能够发现对于每个样本都有，0.4^2+0.4^2+0.81^2=1,这就是L2 norm，变换后每一个样本的各维特征的平方和为1。相似地，L1 norm则是变换后每一个样本的各维特征的绝对值和为1。还有max norm，则是将每一个样本的各维特征除以该样本各维特征的最大值。
在度量样本之间类似性时，若是使用的是二次型kernel，须要作Normalization

特征二值化

给定阈值，将特征转换为0/1

1. binarizer = sklearn.preprocessing.Binarizer(threshold=1.1)
2. binarizer.transform(X)

标签二值化

1. from sklearn import preprocessing
2. lb = preprocessing.LabelBinarizer()
3. lb.fit([1, 2, 6, 4, 2])
4. lb.classes_
5. array([1, 2, 4, 6])
6. lb.transform([1, 6])#必须[1, 2, 6, 4, 2]里面
7. array([[1, 0, 0, 0],
8. [0, 0, 0, 1]])

类别特征编码

有时候特征是类别型的，而一些算法的输入必须是数值型，此时须要对其编码。
下面这个例子，第一维特征有两种值0和1，用两位去编码。第二维用三位，第三维用四位。

1. enc = preprocessing.OneHotEncoder()
2. enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])
3. enc.transform([[0, 1, 3]]).toarray() #array([[ 1., 0., 0., 1., 0., 0., 0., 0., 1.]])

标签编码

1. le = sklearn.preprocessing.LabelEncoder()
2. le.fit([1, 2, 2, 6])
3. le.transform([1, 1, 2, 6]) #array([0, 0, 1, 2])
4. #非数值型转化为数值型
5. le.fit(["paris", "paris", "tokyo", "amsterdam"])
6. le.transform(["tokyo", "tokyo", "paris"]) #array([2, 2, 1])

含有异常值

1. sklearn.preprocessing.robust_scale

生成多项式

这个其实涉及到特征工程了，多项式特征/交叉特征

原始特征

转化后

1. poly = sklearn.preprocessing.PolynomialFeatures(2)
2. poly.fit_transform(X)