数据预处理和特征工程1--无量纲化：数据归一化、标准化

数据不给力，再高级的算法都没有用。

教程和sklearn中的数据，都堪称完美。现实中的数据，离使用的完美数据集，相差十万八千里
数据挖掘的五大流程：

1. 获取数据

2. 数据预处理
   数据预处理是从数据中检测，纠正或删除损坏，不准确或不适用于模型的记录的过程 可能面对的问题有：数据类型不同，比如有的是文字，有的是数字，有的含时间序列，有的连续，有的间断。 也可能，数据的质量不行，有噪声，有异常，有缺失，数据出错，量纲不一，有重复，数据是偏态，数据量太大或太小 数据预处理的目的：让数据适应模型，匹配模型的需求

3. 特征工程
   特征工程是将原始数据转换为更能代表预测模型的潜在问题的特征的过程， 可以通过挑选最相关的特征，提取特征以及创造特征来实现。其中创造特征又经常以降维算法的方式实现。 可能面对的问题有：特征之间有相关性，特征和标签无关，特征太多或太小，或者干脆就无法表现出应有的数据现象或无法展示数据的真实面貌 特征工程的目的：1) 降低计算成本，2) 提升模型上限

4. 建模，测试模型并预测出结果

5. 上线，验证模型效果

Preprocessing 预处理
Dimensionality reduction 降维
模块preprocessing：几乎包含数据预处理的所有内容
模块Impute：填补缺失值专用
模块feature_selection：包含特征选择的各种方法的实践
模块decomposition：包含降维算法

数据无量纲化–归一化

将不同规格的数据转换到同一规格，或不同分布的数据转换到某个特定分布的需求–无量纲化
数据的无量纲化可以是线性的，也可以是非线性的。线性的无量纲化包括中心化（Zero-centered或者Meansubtraction）处理和缩放处理（Scale）。
中心化的本质是让所有记录减去一个固定值，即让数据样本数据平移到某个位置。
缩放的本质是通过除以一个固定值，将数据固定在某个范围之中，取对数也算是一种缩放处理

当数据(x)按照最小值中心化后，再按极差（最大值 - 最小值）缩放，会被收敛到[0,1]之间，而这个过程，就叫做数据归一化(Normalization，又称Min-Max Scaling)。
注意，Normalization是归一化，不是正则化，
真正的正则化是regularization，不是数据预处理的一种手段。归一化之后的数据服从正态分布

在sklearn当中，使用preprocessing.MinMaxScaler来实现归一化
feature_range，控制我们希望把数据压缩到的范围，默认是[0,1]。

from sklearn.preprocessing import MinMaxScaler
data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
#如果换成表是什么样子？
import pandas as pd
pd.DataFrame(data)
1
2
3
4
5

#实现归一化
#实例化-fit-接口
scaler = MinMaxScaler() #实例化
scaler = scaler.fit(data) #fit，在这里本质是生成min(x)和max(x)
result = scaler.transform(data) #通过接口导出结果
result  #归一化完毕后的结果
#压缩后，发现这两组数据的分布是一样的
1
2
3
4
5
6
7

result_ =  scaler.fit_transform(data) #一步实现三步
result_ 

scaler.inverse_transform(result) #将归一化后的结果逆转
1
2
3
4

#使用MinMaxScaler的参数feature_range实现将数据归一化到[0,1]以外的范围中
data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]
scaler = MinMaxScaler(feature_range=[5,10]) #依然实例化
result =  scaler.fit_transform(data) #一步导出结果
result
1
2
3
4
5

当X中的特征数量非常多的时候，fit会报错并表示，数据量太大了我计算不了
此时使用partial_fit作为训练接口
scaler = scaler.partial_fit(data)

import numpy as np
X = np.array([[-1, 2], [-0.5, 6], [0, 10], [1, 18]])
#归一化，套公式
X_nor = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))
X_nor
#X.min(axis=0)----返回每列的最小值
1
2
3
4
5
6

#逆转归一化
X_returned = X_nor * (X.max(axis=0) - X.min(axis=0)) + X.min(axis=0)
X_returned
1
2
3

数据无量纲化–标准化

当数据(x)按均值(μ)中心化后，再按标准差(σ)缩放
数据就会服从为均值为0，方差为1的正态分布（即标准正态分布），
而这个过程，就叫做数据标准化(Standardization，又称Z-score normalization)

from sklearn.preprocessing import StandardScaler
data = [[-1, 2], [-0.5, 6], [0, 10], [1, 18]]

scaler = StandardScaler() #实例化
scaler.fit(data) #fit，本质是生成均值和方差

scaler.mean_ #查看均值的属性mean_
scaler.var_ #查看方差的属性var_
x_std = scaler.transform(data) #通过接口导出结果
x_std

x_std.mean() #导出的结果是一个数组，用mean()查看均值
x_std.std() #用std()查看方差
scaler.fit_transform(data) #使用fit_transform(data)一步达成结果
scaler.inverse_transform(x_std) #使用inverse_transform逆转标准化
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

对于StandardScaler和MinMaxScaler来说，空值NaN会被当做是缺失值
大多数机器学习算法中，会选择StandardScaler来进行特征缩放
因为MinMaxScaler对异常值非常敏感。
在PCA，聚类，逻辑回归，支持向量机，神经网络这些算法中，StandardScaler往往是最好的选择
建议先试试看StandardScaler，效果不好换MinMaxScaler

在希望压缩数据，却不影响数据的稀疏性时（不影响矩阵中取值为0的个数时），我们会使用MaxAbsScaler；
在异常值多，噪声非常大时，我们可能会选用分位数来无量纲化，此时使用RobustScaler。