数据预处理和特征工程2-缺失值处理、分类型特征：编码与哑变量

缺失值处理

import pandas as pd
data = pd.read_csv(r"E:\机器学习\sklearn学习\数据\Narrativedata.csv",index_col=0)
#index_col=0 告诉它索引列是第0列首列
data.head()
#Embarked舱门
data.info() #查看缺失情况

1
2
3
4
5
6
7

sklearn.impute.SimpleImputer (missing_values=nan, strategy=’mean’, fill_value=None, verbose=0,copy=True)

#填补年龄
Age = data.loc[:,"Age"].values.reshape(-1,1) #sklearn当中特征矩阵必须是二维

#data.loc[:,"Age"]---由索引列+Age列的值组成
#data.loc[:,"Age"].values 取出Age列的值
data.loc[:,"Age"].values.shape
#输出(891,)----只有一个数字，是一维的。即输出的数据只有一个方括号
data.loc[:,"Age"].values.reshape(-1,1).shape
#输出(891,1)----是二维的。即输出的数据有两个方括号
#sklearn当中特征矩阵必须是二维
1
2
3
4
5
6
7
8
9
10

from sklearn.impute import SimpleImputer
imp_mean = SimpleImputer() #实例化，默认均值填补
imp_median = SimpleImputer(strategy="median") #用中位数填补
imp_0 = SimpleImputer(strategy="constant",fill_value=0) #用0填补

imp_mean = imp_mean.fit_transform(Age)
#fit_transform一步完成调取结果
imp_median = imp_median.fit_transform(Age)
imp_0 = imp_0.fit_transform(Age)
imp_mean[:20] #均值29.699填补的
imp_median[:20] #中位数28填补的
imp_0[:20] #0填补的
1
2
3
4
5
6
7
8
9
10
11
12

#在这里我们使用中位数填补Age
data.loc[:,"Age"] = imp_median
data.info()
#Age填补完成
#使用众数填补Embarked
Embarked = data.loc[:,"Embarked"].values.reshape(-1,1)

imp_mode = SimpleImputer(strategy = "most_frequent")
data.loc[:,"Embarked"] = imp_mode.fit_transform(Embarked)
data.info()
1
2
3
4
5
6
7
8
9
10

#BONUS：用Pandas和Numpy进行填补其实更加简单
import pandas as pd
data_ = pd.read_csv(r"E:\机器学习\sklearn学习\数据\Narrativedata.csv",index_col=0)
data_.head()

data_.loc[:,"Age"] = data_.loc[:,"Age"].fillna(data_.loc[:,"Age"].median())
#.fillna 在DataFrame里面直接进行填补  -- 填充列.fillna(要填的值)

data_.info()
1
2
3
4
5
6
7
8
9

data_.dropna(axis=0,inplace=True)
#.dropna(axis=0)删除所有有缺失值的行，.dropna(axis=1)删除所有有缺失值的列
#参数inplace，为True表示在原数据集上进行修改，为False表示生成一个复制对象，不修改原数据，默认False

data_.info()
#填充完成
1
2
3
4
5
6

处理分类型特征：编码与哑变量

编码，即，将文字型数据转换为数值型
LabelEncoder ：标签专用，能够将分类转换为分类数值

#LabelEncoder ：标签专用，能够将分类转换为分类数值

from sklearn.preprocessing import LabelEncoder
y = data_.iloc[:,-1] #要输入的是标签，不是特征矩阵，所以允许一维

le = LabelEncoder() #实例化
le = le.fit(y) #导入数据
label = le.transform(y) #transform接口调取结果

le.classes_ #属性.classes_查看标签中究竟有多少类别
#三个类

label #结果处理后显示，0，1，2
le.fit_transform(y) #也可以直接fit_transform一步到位
#等价于上面三步
le.inverse_transform(label) #使用inverse_transform可以逆转

#重新完整的代码，应该为：
#如果不需要教学展示的话我会这么写：
from sklearn.preprocessing import LabelEncoder
data.iloc[:,-1] = LabelEncoder().fit_transform(data.iloc[:,-1])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

OrdinalEncoder ：特征专用，能够将分类转换为分类数值

特征矩阵，就强调不能导入一维数组了

from sklearn.preprocessing import OrdinalEncoder
#接口categories_对应LabelEncoder的接口classes_，一模一样的功能
data_ = data.copy() #保护原本data不受覆盖
data_.head()

OrdinalEncoder().fit(data_.iloc[:,1:-1]).categories_ #一步到位
#categories_作用同classes_ ，查看类别

data_.iloc[:,1:-1] = OrdinalEncoder().fit_transform(data_.iloc[:,1:-1])
data_.head()  #性别0、1  舱门0，1，2 存活情况0，1，2
1
2
3
4
5
6
7
8
9
10

OneHotEncoder：独热编码，创建哑变量

考三种不同性质的分类数据：

1） 舱门（S，C，Q）

三种取值S，C，Q是相互独立的，彼此之间完全没有联系，表达的是S≠C≠Q的概念。这是名义变量。

2） 学历（小学，初中，高中）

三种取值不是完全独立的，我们可以明显看出，在性质上可以有高中>初中>小学这样的联系，学历有高低，但是学历取值之间却不是可以计算的，我们不能说小学 + 某个取值 = 初中。这是有序变量。

3） 体重（>45kg，>90kg，>135kg）

各个取值之间有联系，且是可以互相计算的，比如120kg - 45kg = 90kg，分类之间可以通过数学计算互相转换。有距变量

然而在对特征进行编码的时候，这三种分类数据都会被我们转换为[0,1,2]，这三个数字在算法看来，是连续且可以计算的，这三个数字相互不等，有大小，并且有着可以相加相乘的联系。
所以算法会把舱门，学历这样的分类特征，都误会成是体重这样的分类特征。
这是说，我们把分类转换成数字的时候，忽略了数字中自带的数学性质，所以给算法传达了一些不准确的信息，而这会影响我们的建模。

名义变量，使用哑变量的方式来处理，才能够尽量向算法传达最准确的信息

舱门—名义变量–哑变量–独热编码OneHotEncoder

体重—有距变量–编码

data.head()
from sklearn.preprocessing import OneHotEncoder
X = data.iloc[:,1:-1]
enc = OneHotEncoder(categories='auto').fit(X)  #实例化
result = enc.transform(X).toarray()  #toarray()转化成数组
result
#sex变两列 ，仓号变3列

#依然可以直接一步到位，但为了给大家展示模型属性，所以还是写成了三步
OneHotEncoder(categories='auto').fit_transform(X).toarray()
#依然可以还原
pd.DataFrame(enc.inverse_transform(result))
#还原成两列特征
enc.get_feature_names()
#给出每个哑变量对应的原本类值
result
result.shape

#把生成的5列哑变量拼接data上去

#axis=1,表示跨行进行合并，也就是将两表左右相连，如果是axis=0，就是将量表上下相连
newdata = pd.concat([data,pd.DataFrame(result)],axis=1)
newdata.head()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

newdata.drop(["Sex","Embarked"],axis=1,inplace=True) #删除原本两特征列
newdata.columns = ["Age","Survived","Female","Male","Embarked_C","Embarked_Q","Embarked_S"]
#重命名特征名字
newdata.head()
1
2
3
4

标签列：是否存活—用0，1表示

把标签列设置成哑变量很少，因为用的分类算法，就已经把标签当分类型数值了

对分类数据的处理到此结束

处理连续型特征：二值化与分段

二值化：
根据阈值将数据二值化（将特征值设置为0或1），用于处理连续型变量。大于阈值的值映射为1，而小于或等于阈值的值映射为0。
二值化是对文本计数数据的常见操作，分析人员可以决定仅考虑某种现象的存在与否。它还可以用作考虑布尔随机变量的估计器的预处理步骤（例如，使用贝叶斯设置中的伯努利分布建模）。

#将年龄二值化
data_2 = data.copy()
from sklearn.preprocessing import Binarizer
X = data_2.iloc[:,0].values.reshape(-1,1) #类为特征专用，所以不能使用一维数组
transformer = Binarizer(threshold=30).fit_transform(X)
transformer  #分为了小于30岁的与大于等于30的
data_2.iloc[:,0]=transformer  #替换原本年龄列
1
2
3
4
5
6
7

分箱

将连续型变量划分为分类变量的类
n_bins 每个特征分箱的个数，默认为5 encode 编码方式，默认onehot strategy 定义箱宽的方式，默认quantite（uniform 等宽分箱；quantitle 等位分箱 ；kmeans聚类分箱）

from sklearn.preprocessing import KBinsDiscretizer
X = data.iloc[:,0].values.reshape(-1,1)
est = KBinsDiscretizer(n_bins=3,encode='ordinal',strategy='uniform')
est.fit_transform(X)
#查看转换后分的箱；变成了一列中的三箱
set(est.fit_transform(X).ravel())
est = KBinsDiscretizer(n_bins=3,encode='onehot',strategy='uniform')
#查看转换后分的箱；变成了哑变量
est.fit_transform(X).ravel()
1
2
3
4
5
6
7
8
9