Python中怎么實現(xiàn)數(shù)據(jù)預(yù)處理

Python中怎么實現(xiàn)數(shù)據(jù)預(yù)處理，很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學(xué)習(xí)下，希望你能有所收獲。

成都創(chuàng)新互聯(lián)網(wǎng)站建設(shè)公司一直秉承“誠信做人，踏實做事”的原則，不欺瞞客戶，是我們最起碼的底線！ 以服務(wù)為基礎(chǔ)，以質(zhì)量求生存，以技術(shù)求發(fā)展，成交一個客戶多一個朋友！專注中小微企業(yè)官網(wǎng)定制，成都網(wǎng)站制作、成都網(wǎng)站建設(shè)，塑造企業(yè)網(wǎng)絡(luò)形象打造互聯(lián)網(wǎng)企業(yè)效應(yīng)。

數(shù)據(jù)預(yù)處理

數(shù)據(jù)中不同特征的量綱可能不一致，數(shù)值間的差別可能很大，不進行處理可能會影響到數(shù)據(jù)分析的結(jié)果，因此，需要對數(shù)據(jù)按照一定比例進行縮放，使之落在一個特定的區(qū)域，便于進行綜合分析。

常用的方法有兩種：

最大 - 最小規(guī)范化：對原始數(shù)據(jù)進行線性變換，將數(shù)據(jù)映射到[0,1]區(qū)間

Z-Score標(biāo)準化：將原始數(shù)據(jù)映射到均值為0、標(biāo)準差為1的分布上

為什么要標(biāo)準化/歸一化？

提升模型精度：標(biāo)準化/歸一化后，不同維度之間的特征在數(shù)值上有一定比較性，可以大大提高分類器的準確性。

加速模型收斂：標(biāo)準化/歸一化后，最優(yōu)解的尋優(yōu)過程明顯會變得平緩，更容易正確的收斂到最優(yōu)解。

如下圖所示：

哪些機器學(xué)習(xí)算法需要標(biāo)準化和歸一化

1）需要使用梯度下降和計算距離的模型要做歸一化，因為不做歸一化會使收斂的路徑程z字型下降，導(dǎo)致收斂路徑太慢，而且不容易找到最優(yōu)解，歸一化之后加快了梯度下降求最優(yōu)解的速度，并有可能提高精度。比如說線性回歸、邏輯回歸、adaboost、xgboost、GBDT、SVM、NeuralNetwork等。需要計算距離的模型需要做歸一化，比如說KNN、KMeans等。

2）概率模型、樹形結(jié)構(gòu)模型不需要歸一化，因為它們不關(guān)心變量的值，而是關(guān)心變量的分布和變量之間的條件概率，如決策樹、隨機森林。

徹底理解標(biāo)準化和歸一化

示例數(shù)據(jù)集包含一個自變量（已購買）和三個因變量（國家，年齡和薪水），可以看出用薪水范圍比年齡寬的多，如果直接將數(shù)據(jù)用于機器學(xué)習(xí)模型（比如KNN、KMeans），模型將完全有薪水主導(dǎo)。

#導(dǎo)入數(shù)據(jù)
import numpy 
as np
import matplotlib.pyplot 
as plt
import pandas 
as pd
df = pd.read_csv('Data.csv')

缺失值均值填充,處理字符型變量

df['Salary'].fillna((df['Salary'].mean()), inplace= 
True)
df['Age'].fillna((df['Age'].mean()), inplace= 
True)
df['Purchased'] = df['Purchased'].apply(lambda x: 
0 if x=='No' else 1)
df=pd.get_dummies(data=df, columns=['Country'])

最大 - 最小規(guī)范化

from sklearn.preprocessing 
import MinMaxScaler
scaler = MinMaxScaler()
scaler.fit(df)
scaled_features = scaler.transform(df)
df_MinMax = pd.DataFrame(data=scaled_features, columns=["Age", 
"Salary","Purchased","Country_France","Country_Germany", 
"Country_spain"])

Z-Score標(biāo)準化

from sklearn.preprocessing 
import StandardScaler
sc_X = StandardScaler()
sc_X = sc_X.fit_transform(df)
sc_X = pd.DataFrame(data=sc_X, columns=["Age", 
"Salary","Purchased","Country_France","Country_Germany", 
"Country_spain"])

import seaborn 
as sns
import matplotlib.pyplot 
as plt
import statistics
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
fig,axes=plt.subplots(2,3,figsize=(18,12)) 

sns.distplot(df['Age'], ax=axes[0, 
0])
sns.distplot(df_MinMax['Age'], ax=axes[0, 
1])
axes[0, 
1].set_title('歸一化方差：% s '% (statistics.stdev(df_MinMax['Age'])))
sns.distplot(sc_X['Age'], ax=axes[0, 
2])
axes[0, 
2].set_title('標(biāo)準化方差：% s '% (statistics.stdev(sc_X['Age'])))
sns.distplot(df['Salary'], ax=axes[1, 
0])
sns.distplot(df_MinMax['Salary'], ax=axes[1, 
1])
axes[1, 
1].set_title('MinMax：Salary')
axes[1, 
1].set_title('歸一化方差：% s '% (statistics.stdev(df_MinMax['Salary'])))
sns.distplot(sc_X['Salary'], ax=axes[1, 
2])
axes[1, 
2].set_title('StandardScaler:Salary')
axes[1, 
2].set_title('標(biāo)準化方差：% s '% (statistics.stdev(sc_X['Salary'])))

可以看出歸一化比標(biāo)準化方法產(chǎn)生的標(biāo)準差小，使用歸一化來縮放數(shù)據(jù)，則數(shù)據(jù)將更集中在均值附近。這是由于歸一化的縮放是“拍扁”統(tǒng)一到區(qū)間（僅由極值決定），而標(biāo)準化的縮放是更加“彈性”和“動態(tài)”的，和整體樣本的分布有很大的關(guān)系。所以歸一化不能很好地處理離群值，而標(biāo)準化對異常值的魯棒性強，在許多情況下，它優(yōu)于歸一化。

看完上述內(nèi)容是否對您有幫助呢？如果還想對相關(guān)知識有進一步的了解或閱讀更多相關(guān)文章，請關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝您對創(chuàng)新互聯(lián)的支持。

網(wǎng)站名稱：Python中怎么實現(xiàn)數(shù)據(jù)預(yù)處理
文章鏈接：http://bm7419.com/article34/jcsepe.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供App開發(fā)、動態(tài)網(wǎng)站、響應(yīng)式網(wǎng)站、軟件開發(fā)、營銷型網(wǎng)站建設(shè)、手機網(wǎng)站建設(shè)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)