前言

當我們開始準備數(shù)據(jù)建模、構(gòu)建機器學習模型的時候，第一時間考慮的不應(yīng)該是就考慮到選擇模型的種類和方法。而是首先拿到特征數(shù)據(jù)和標簽數(shù)據(jù)進行研究，挖掘特征數(shù)據(jù)包含的信息以及思考如何更好的處理這些特征數(shù)據(jù)。那么數(shù)據(jù)類型本身代表的含義就需要我們進行思考，究竟是定量計算還是進行定類分析更好呢？這就是這篇文章將要詳解的一個問題。

一、特征類型判別

特征類型判斷以及處理是前期特征工程重要的一環(huán)，也是決定特征質(zhì)量好壞和權(quán)衡信息丟失最重要的一環(huán)。其中涉及到的數(shù)據(jù)有數(shù)值類型的數(shù)據(jù)，例如：年齡、體重、身高這類特征數(shù)據(jù)。也有字符類型特征數(shù)據(jù)，例如性別、社會階層、血型、國家歸屬等數(shù)據(jù)。

按照數(shù)據(jù)存儲的數(shù)據(jù)格式可以歸納為兩類：

按照特征數(shù)據(jù)含義又可分為：

• 離散型隨機變量：取值只能是可取范圍內(nèi)的指定數(shù)值類型的隨機變量，比如年齡、車流量此類數(shù)據(jù)。
• 連續(xù)隨機變量：按照測量或者計算方法得到，在某個范圍內(nèi)連取n個值，此類數(shù)據(jù)可化為定類數(shù)據(jù)。
• 二分類數(shù)據(jù)：此類數(shù)據(jù)僅只有兩類：例如是與否、成功與失敗。
• 多分類數(shù)據(jù)：此類數(shù)據(jù)有多類：例如天氣出太陽、下雨、陰天。
• 周期型數(shù)據(jù)：此類數(shù)據(jù)存在一個周期循環(huán)：例如周數(shù)月數(shù)。

二、定量數(shù)據(jù)特征處理

拿到獲取的原始特征，必須對每一特征分別進行歸一化，比如，特征A的取值范圍是[-1000,1000]，特征B的取值范圍是[-1,1].如果使用logistic回歸，w1x1+w2x2，因為x1的取值太大了，所以x2基本起不了作用。所以，必須進行特征的歸一化，每個特征都單獨進行歸一化。

關(guān)于處理定量數(shù)據(jù)我已經(jīng)在：數(shù)據(jù)預處理歸一化詳細解釋這篇文章里面講述的很詳細了，這里進行前后關(guān)聯(lián)，共有min-max標準化、Z-score標準化、Sigmoid函數(shù)標準化三種方法：

根據(jù)特征數(shù)據(jù)含義類型來選擇處理方法：

• 離散型隨機變量處理方法：min-max標準化、Z-score標準化、Sigmoid函數(shù)標準
• 連續(xù)隨機變量處理：Z-score標準化，Sigmoid函數(shù)標準

三.定類數(shù)據(jù)特征處理

我的上篇文章[數(shù)據(jù)預處理歸一化詳細解釋]并沒有介紹關(guān)于定類數(shù)據(jù)我們?nèi)绾稳ヌ幚恚诒酒恼略敿毥榻B一些常用的處理方法：

1.LabelEncoding

直接替換方法適用于原始數(shù)據(jù)集中只存在少量數(shù)據(jù)需要人工進行調(diào)整的情況。如果需要調(diào)整的數(shù)據(jù)量非常大且數(shù)據(jù)格式不統(tǒng)一，直接替換的方法也可以實現(xiàn)我們的目的，但是這種方法需要的工作量會非常大。因此， 我們需要能夠快速對整列變量的所有取值進行編碼的方法。

LabelEncoding，即標簽編碼，作用是為變量的 n 個唯一取值分配一個[0, n-1]之間的編碼，將該變量轉(zhuǎn)換成連續(xù)的數(shù)值型變量。

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
le.fit(['擁堵','緩行','暢行'])
le.transform(['擁堵','擁堵','暢行','緩行'])

array([0, 0, 1, 2])

2.OneHotcoding

對于處理定類數(shù)據(jù)我們很容易想到將該類別的數(shù)據(jù)全部替換為數(shù)值：比如車輛擁堵情況，我們把擁堵標為1，緩行為2，暢行為3.那么這樣是實現(xiàn)了標簽編碼的，但同時也給這些無量綱的數(shù)據(jù)轉(zhuǎn)為了有量綱數(shù)據(jù)，我們本意是沒有將它們比較之意的。機器可能會學習到“擁堵<緩行<暢行”，所以采用這個標簽編碼是不夠的，需要進一步轉(zhuǎn)換。因為有三種區(qū)間，所以有三個比特，即擁堵編碼為100，緩行為010，暢行為001.如此一來每兩個向量之間的距離都是根號2，在向量空間距離都相等，所以這樣不會出現(xiàn)偏序性，基本不會影響基于向量空間度量算法的效果。

自然狀態(tài)碼為：000,001,010,011,100,101

獨熱編碼為：000001,000010,000100,001000,010000,100000

我們可以使用sklearn的onehotencoder來實現(xiàn)：

from sklearn import preprocessing
enc = preprocessing.OneHotEncoder()
enc.fit([[0, 0, 1], [0, 1, 0], [1, 0, 0]])    # fit來學習編碼
enc.transform([[0, 0, 1]]).toarray()    # 進行編碼

array([[1., 0., 1., 0., 0., 1.]])

數(shù)據(jù)矩陣是3*3的，那么原理是怎么來的呢？我們仔細觀察：

第一列的第一個特征維度有兩種取值0/1，所以對應(yīng)的編碼方式為10、01.

第二列的第二個特征也是一樣的，類比第三列的第三個特征。固001的獨熱編碼就是101001了。

因為大部分算法是基于向量空間中的度量來進行計算的，為了使非偏序關(guān)系的變量取值不具有偏序性，并且到圓點是等距的。使用one-hot編碼，將離散特征的取值擴展到了歐式空間，離散特征的某個取值就對應(yīng)歐式空間的某個點。將離散型特征使用one-hot編碼，會讓特征之間的距離計算更加合理。離散特征進行one-hot編碼后，編碼后的特征，其實每一維度的特征都可以看做是連續(xù)的特征。就可以跟對連續(xù)型特征的歸一化方法一樣，對每一維特征進行歸一化。比如歸一化到[-1,1]或歸一化到均值為0,方差為1。

將離散特征通過one-hot編碼映射到歐式空間，是因為，在回歸，分類，聚類等機器學習算法中，特征之間距離的計算或相似度的計算是非常重要的，而我們常用的距離或相似度的計算都是在歐式空間的相似度計算，計算余弦相似性，基于的就是歐式空間。

優(yōu)點：

獨熱編碼解決了分類器不好處理屬性數(shù)據(jù)的問題，在一定程度上也起到了擴充特征的作用。它的值只有0和1，不同的類型存儲在垂直的空間。

缺點：

當類別的數(shù)量很多時，特征空間會變得非常大。在這種情況下，一般可以用PCA來減少維度。而且one hot encoding+PCA這種組合在實際中也非常有用。

應(yīng)用場景：

獨熱編碼用來解決類別型數(shù)據(jù)的離散值問題。

無用場景：

將離散型特征進行one-hot編碼的作用，是為了讓距離計算更合理，但如果特征是離散的，并且不用one-hot編碼就可以很合理的計算出距離，那么就沒必要進行one-hot編碼。有些基于樹的算法在處理變量時，并不是基于向量空間度量，數(shù)值只是個類別符號，即沒有偏序關(guān)系，所以不用進行獨熱編碼。  Tree Model不太需要one-hot編碼： 對于決策樹來說，one-hot的本質(zhì)是增加樹的深度。

代碼實現(xiàn)

方法一： 實現(xiàn)one-hot編碼有兩種方法：sklearn庫中的 OneHotEncoder() 方法只能處理數(shù)值型變量如果是字符型數(shù)據(jù)，需要先對其使用 LabelEncoder() 轉(zhuǎn)換為數(shù)值數(shù)據(jù)，再使用 OneHotEncoder() 進行獨熱編碼處理，并且需要自行在原數(shù)據(jù)集中刪去進行獨熱編碼處理的原變量。

import pandas as pd
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
lE = LabelEncoder()
df=pd.DataFrame({'路況':['擁堵','暢行','暢行','擁堵','暢行','緩行','緩行','擁堵','緩行','擁堵','擁堵','擁堵']})
df['路況']=lE.fit_transform(df['路況'])
OHE = OneHotEncoder()
X = OHE.fit_transform(df).toarray()
df = pd.concat([df, pd.DataFrame(X, columns=['擁堵', '緩行','暢行'])],axis=1)
df

方法二：

pandas自帶get_dummies()方法

get_dummies() 方法可以對數(shù)值數(shù)據(jù)和字符數(shù)據(jù)進行處理，直接在原數(shù)據(jù)集上應(yīng)用該方法即可。該方法產(chǎn)生一個新的Dataframe，列名由原變量延伸而成。將其合并入原數(shù)據(jù)集時，需要自行在原數(shù)據(jù)集中刪去進行虛擬變量處理的原變量。

import pandas as pd
df=pd.DataFrame({'路況':['擁堵','暢行','暢行','擁堵','暢行','緩行','緩行','擁堵','緩行','擁堵','擁堵','擁堵']})
pd.get_dummies(df,drop_first=False) 

以上就是Python分析特征數(shù)據(jù)類別與預處理方法速學的詳細內(nèi)容，更多關(guān)于Python 數(shù)據(jù)類別分析預處理的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論