資料對齊
Z分數標準化
將資料轉換成服從標準正太分佈的資料
$$
\hat x = \frac{x-\mu}{\sigma}
$$
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
scaler.fit_transform(data)
歸一化
將資料縮放到0-1之間,注意對於稀疏資料,最好不要使用歸一化,因為稀疏資料大部分是由0構成,歸一化之後,反而將資料變得稠密了
$$
\hat x = \frac{x-min(x)}{max(x)-min(x)}
$$
from sklearn.preprocessing import MinMaxScaler
mms = MinMaxScaler(feature_range=[5,10]) #設定歸一化區間
result = mms.fit_transform(data)
data = mms.inverse_transform(result) #反向推理
行歸一化
行歸一化不是計算每列的統計值(均值、最小值、最大值等),而是會保證每行有單位範數(unit norm),意味著每行的向量長度相同。x=( x1, x2,…, xn) 那麼行歸一化演算法如下所示:
\(x_{new} = \frac{x}{||x||}\)
from sklearn.preprocessing import Normalizer
normalize = Normalizer()
data = pd.DataFrame(normalize.fit_transform(data)
#行歸一化的平均範數是1
np.sqrt((data**2).sum(axis=1)).sum()
預設使用的是L2範數,其中:
用途
有一些演算法會容易受到資料尺度的影響
KNN——因為依賴歐幾里得距離, 所以要對特徵進行歸一化
K均值聚類——和KNN的原因一樣;
邏輯迴歸、支援向量機、神經網路——如果使用梯度下降來學習權重,歸一化之後可以增加收斂速度。
主成分分析——特徵向量將偏向較大的列,所以最好也進行歸一化。
資料編碼
離散型資料
(1) LabelEncoder
將文字型標籤變成數字型,主要針對於類別資料,例如資料集的標籤,可以進行數字化。
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import LabelEncoder
data.iloc[:,-1] = LabelEncoder().fit_transform(data.iloc[:,-1])
#屬性
.classes_ #屬性.classes_檢視標籤中究竟有多少類別
inverse_transform(label) #使用inverse_transform可以逆轉
(2) OrdinalEncoder
能夠將文字型分類特徵轉換為浮點數字,例如 A,B,C轉換成了0.0 , 1.0 , 2.0,
OrdinalEncoder可以用來處理有序變數,例如體重,數字的大小是有關係的,所以使用OrdinalEncoder
from sklearn.preprocessing import OrdinalEncoder
data_.iloc[:,1:-1] = OrdinalEncoder().fit_transform(data_.iloc[:,1:-1])
#介面categories_對應LabelEncoder的介面classes_,一模一樣的功能
OrdinalEncoder().fit(data_.iloc[:,1:-1]).categories_
(3) OneHotEncoder
one-hot只要用於名義變數,也就是有我 沒有你的變數,這類變數直接沒有明確的計算關係,都是獨立的,所以使用one-hot最為合適
from sklearn.preprocessing import OneHotEncoder
X = data.iloc[:,1:-1]
enc = OneHotEncoder(categories='auto').fit(X)
連續性資料
(1) Binarizer
根據閾值將資料二值化(將特徵值設定為0或1),用於處理連續型變數。大於閾值的值對映為1,而小於或等於閾值的值對映為0。預設閾值為0時,特徵中所有的正值都對映到1。二值化是對文字計數資料的常見操作,分析人員可以決定僅考慮某種現象的存在與否。它還可以用作考慮布林隨機變數的估計器的預處理步驟(例如,使用貝葉斯設定中的伯努利分佈建模)
data_2 = data.copy()
from sklearn.preprocessing import Binarizer
X = data_2.iloc[:,0].values.reshape(-1,1) #類為特徵專用,所以不能使用一維陣列
transformer = Binarizer(threshold=30).fit_transform(X)
transformer
(2) KBinsDiscretizer
主要是對連續資料進行分段處理, 可以通過引數進行比較靈活的分段
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)
#檢視轉換後分的箱:變成了一列中的三箱
set(est.fit_transform(X).ravel())
est = KBinsDiscretizer(n_bins=3, encode='onehot', strategy='uniform')
#檢視轉換後分的箱:變成了啞變數
est.fit_transform(X).toarray()
引數:
n_bins: 分箱的個數,預設為5
encode:編碼方式,分箱之後使用什麼方式進行編碼,有幾種常見的可選項,"one-hot", "ordinal", "onehot-dense" 等。
strategy: 如何分箱,分箱的寬度等,有幾種方式
- "uniform": 按照等寬進行分箱,箱子最大寬度為 ( f.max() - f.min() ) / ( n_bings) f為特徵。
- "quantile": 等位分箱,每個箱子裡面樣本量相同。
- "kmeans": 表示按照聚類分箱
(3) 樹模型
可以構建一個樹模型,然後通過樹的分支來對模型進行分箱,這個沒有具體操作過,所以簡單提一下。
Entity Embedding
Entity Embedding 可以將變數直接編碼成一個向量,如果想要用基於神經網路的方法去訓練離散型資料的話,這個方法非常建議使用。
(1) 離散變數
本質上就等價於一個全連線層神經網路作為編碼,舉個例子:
資料的特徵首先進行one-hot 然後假設有三個類別,N個樣本的話,就可以的到一個 N*3 的one-hot表徵,這個時候,可以定義一個Embedding 尺寸為(3,M), M 表示要轉換的維度,於是,特徵通過相乘就轉換為了
(N,3)x (3,M) -> (N,M)
具體怎麼實現,兩種方法,第一是直接通過標籤訓練這個矩陣,第二是直接加入一個Embedding層,然後和其他特徵一起訓練就可以了 , 其實也可以理解為NLP中的詞嵌入層,直接加入一個nn.Embedding() 層就可以了。
(2) 連續變數
針對於連續型變數,想要進行Entity Embedding的話,可以進行分箱操作。 如下圖所示,首先,是對連續型變數進行分組,分組後對應一個值,例如均值或者中值,用這個值\(c_i\)表示。 之後來了新值之後,可以先和\(c_i\)做求距離操作,然後進行softmax,這樣可以得到一個權重w,用來表示這個值和各個箱子的距離。然後權重w在和Embedding() 層相乘,就可以得到最終的表徵了。
舉個例子:
首先 Embedding層尺寸為: (N , M )
x 為輸入,尺寸為 ( B, 1), 這裡B 是batch的數量, x 是一個連續型的變數,輸入是一個浮點型資料。之後,x 和每一個 分箱的中心代表值\(c_i\) 做求距離操作,距離越近,表示這個值越應該屬於這個箱子,這個時候,對距離做softmax操作,可以得到一個權重w, 尺寸為( B, N) , 注意這裡分母加了一項防止除0
最後,得到的權重和Embedding相乘就可以得到最終的表徵了, 最後輸出的是 (B,M) 維度的表徵。((B, N ) * (N, M ) = (B ,M))
$$
r_x = w * Embeeding()
$$
參考
《特徵工程入門與實踐》
《精通特徵工程》
《菜菜sklearn》