本文為《Scikit-Learn 和 TensorFlow 機器學習指南》的第二章的第 3 講：為機器學習演算法準備資料。
- 使用實際資料
-
整體規劃
-
獲取資料
-
發現、視覺化資料，增加直觀印象
-
為機器學習準備資料
-
選擇模型並進行訓練
-
除錯模型
-
部署、監控、維護系統
第二章前 2 講的地址如下：
筆記儘量突出重點，提煉關鍵知識點。正文開始！
資料清洗（處理缺失值）
對於資料集中出現缺失值的情況，需要對其進行處理。對缺失值常用的三種方法是：
- 丟棄有缺失值的樣本
-
丟棄有缺失值的整個特徵
-
對缺失值進行填充（補零、均值填充或中位數填充等）
三種方法相應的程式碼如下：
housing.dropna(subset=["total_bedrooms"]) # option 1
housing.drop("total_bedrooms", axis=1) # option 2
median = housing["total_bedrooms"].median()
housing["total_bedrooms"].fillna(median, inplace=True) # option 3
一般 option 3 應用更為廣泛。值得注意的是，應該保留訓練樣本的 median 值，測試樣本中的缺失值將以此 median 值進行填充。
在 Scikit-Learn 中提供了 Imputer 類，進行缺失值處理。示例程式碼如下：
from sklearn.preprocessing import Imputer
imputer = Imputer(strategy="median")
housing_num = housing.drop('ocean_proximity', axis=1)
imputer.fit(housing_num)
X = imputer.transform(housing_num)
housing_tr = pd.DataFrame(X, columns=housing_num.columns)
處理文字或類別屬性
本章的波士頓房價問題中，ocean_proximity 屬性是非數值的字元屬性，因此無法進行中位數填充。該屬性如下所示：
[‘<1H OCEAN’ ‘INLAND’ ‘ISLAND’ ‘NEAR BAY’ ‘NEAR OCEAN’]
你可以直接使用下面程式碼，將字元屬性轉換成數值屬性：
from sklearn.preprocessing import OrdinalEncoder
housing_cat = housing[['ocean_proximity']]
ordinal_encoder = OrdinalEncoder()
housing_cat_encoded = ordinal_encoder.fit_transform(housing_cat)
housing_cat_encoded[:10]
housing_cat_encoded[:10]
array([[ 0.],
[ 0.],
[ 4.],
[ 1.],
[ 0.],
[ 1.],
[ 0.],
[ 1.],
[ 0.],
[ 0.]]) [ 0.]])
更方便地，還可以直接將字元屬性轉換為 one-hot 編碼：
from sklearn.preprocessing import OneHotEncoder
cat_encoder = OneHotEncoder(sparse=False)
housing_cat_1hot = cat_encoder.fit_transform(housing_cat)
housing_cat_1hot
array([[ 1., 0., 0., 0., 0.],
[ 1., 0., 0., 0., 0.],
[ 0., 0., 0., 0., 1.],
…,
[ 0., 1., 0., 0., 0.],
[ 1., 0., 0., 0., 0.],
[ 0., 0., 0., 1., 0.]])
自定義轉換器
雖然 Scikit-Learn 已經提供了許多有用的轉換器，但是你仍然可以編寫自己的轉換器，例如特定屬性組合。自定義轉換器很簡單，只需要建立一個類，然後實現以下三個方法：fit（）（返回自身）、transform（）、fit_transform（）。如果新增 TransformerMixin 作為基類，就可以直接得到最後一個方法。同時，如果新增 BaseEstimator 作為基類（並在建構函式中避免 * args 和 ** kargs），你還能額外獲得兩個非常有用的自動調整超引數的方法 get_params（）和 set_params（）。
下面是自定義轉換器，新增組合屬性的例子：
from sklearn.base import BaseEstimator, TransformerMixin
# column index
rooms_ix, bedrooms_ix, population_ix, household_ix = 3, 4, 5, 6
class CombinedAttributesAdder(BaseEstimator, TransformerMixin):
def __init__(self, add_bedrooms_per_room = True): # no *args or **kargs
self.add_bedrooms_per_room = add_bedrooms_per_room
def fit(self, X, y=None):
return self # nothing else to do
def transform(self, X, y=None):
rooms_per_household = X[:, rooms_ix] / X[:, household_ix]
population_per_household = X[:, population_ix] / X[:, household_ix]
if self.add_bedrooms_per_room:
bedrooms_per_room = X[:, bedrooms_ix] / X[:, rooms_ix]
return np.c_[X, rooms_per_household, population_per_household,
bedrooms_per_room]
else:
return np.c_[X, rooms_per_household, population_per_household]
attr_adder = CombinedAttributesAdder(add_bedrooms_per_room=False)
housing_extra_attribs = attr_adder.transform(housing.values)
特徵縮放
不同的特徵屬性範圍不一，容易給訓練造成困難，增加訓練時間。因此，一般會對不同特徵進行同尺度縮放。常用的兩種方式是歸一化和標準化。
歸一化很簡單：將值重新縮放於 0 到 1 之間。實現方法是將值減去最小值併除以最大值和最小值的差。對此，Scikit-Learn 提供了一個名為 MinMaxScaler 的轉換器。如果希望範圍不是 0～1，可以通過調整超引數 feature_range 進行更改。
標準化的做法是首先減去平均值（所以標準化值的均值總是零），然後除以方差。不同於歸一化，標準化不將值繫結到特定範圍，對某些演算法而言，這可能是個問題（例如，神經網路期望的輸入值範圍通常是0到1）。但是標準化的方法受異常值的影響更小。Scikit-Learn 提供了一個標準化的轉換器 StandadScaler。
管道 Pipeline
我們可以把機器學習演算法中許多轉換操作使用管道 pipeline 統一順序進行。Scikit-Learn 正好提供了 Pipeline 來支援這樣的轉換。下面是一個數值屬性的流水線例子：
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
num_pipeline = Pipeline([
('imputer', Imputer(strategy="median")),
('attribs_adder', CombinedAttributesAdder()),
('std_scaler', StandardScaler()),
])
housing_num_tr = num_pipeline.fit_transform(housing_num)
以上是數值型的 Pipeline 處理過程。對於非數值型的字元屬性，可以建立一個新的完整的 Pipeline，將上面的 num_pipeline 和字元屬性的轉換整合到一個 Pipeline 中，如下所示：
from sklearn.compose import ColumnTransformer
num_attribs = list(housing_num)
cat_attribs = ["ocean_proximity"]
full_pipeline = ColumnTransformer([
("num", num_pipeline, num_attribs),
("cat", OneHotEncoder(), cat_attribs),
])
housing_prepared = full_pipeline.fit_transform(housing)
