機器學習100天——資料預處理(第一天)
有個叫Avik Jain的老外在github上發起了一個100天學習機器學習的專案，每天花一個小時學習機器學習，學習內容由淺入深。今天是第一天，內容是如何進行資料預處理。該教程的程式語言是Python。
資料預處理分為6步：
第一步：匯入NumPy和Pandas庫。NumPy和Pandas是每次都要匯入的庫，其中Numpy包含了數學計算函式，Pnadas是一個用於匯入和管理資料集(Data Sets)的類庫。
第二步：匯入資料集。資料集一般都是.csv格式，csv檔案以文字形式儲存資料。每一行資料是一條記錄。我們使用pandas類庫的read_csv方法讀取本地的csv檔案作為一個dataframe。然後從datafram中分別建立自變數和因變數的矩陣和向量。
第三步：處理缺失的資料。我們得到的資料很少是完整的。資料可能因為各種原因丟失，為了不降低機器學習模型的效能，需要處理資料。我們可以用整列的平均值或者中間值替換丟失的資料。我們用sklearn.preprocessing庫中的Inputer類完成這項任務。
第四步：對分類資料進行編碼。分類資料指的是含有標籤值而不是數字值得變數。取值範圍通常是固定的。例如“YES”和“NO”不能用於模型的數學計算，所以需要編碼成數字。為數顯這一功能，我們從sklearn.preprocessing庫中匯入LabelEncoder類。
第五步：拆分資料集為測試集合和訓練集合。把資料集拆分成兩個，一個是用來訓練模型的訓練集合，另一個是用來驗證模型的測試集合。兩種比例一般是80:20。我們匯入sklearn.crossvalidation庫中的train_test_split()方法。
第六步：特徵縮放。大部分模型演算法使用兩點間的歐式近距離表示，但此特徵在幅度、單位和範圍姿態問題上變化很大。在距離計算中，高幅度的特徵比低幅度特徵權重大。可用特徵標準化或Z值歸一化解決。匯入sklearn.preprocessing庫的StandardScalar類。
程式碼如下：
1 1: 匯入類庫
2
3 import numpy as np
4 import pandas as pd
5
6 2: 匯入資料集
7 dataset = pd.read_csv('Data.csv')
8 X = dataset.iloc[ : , :-1].values
9 Y = dataset.iloc[ : , 3].values
10
11 3: 處理缺失的資料
12 from sklearn.preprocessing import Imputer
13 imputer = Imputer(missing_values = "NaN", strategy = "mean", axis = 0)
14 imputer = imputer.fit(X[ : , 1:3])
15 X[ : , 1:3] = imputer.transform(X[ : , 1:3])
16
17 Step 4:編碼分類資料
18 from sklearn.preprocessing import LabelEncoder, OneHotEncoder
19 labelencoder_X = LabelEncoder()
20 X[ : , 0] = labelencoder_X.fit_transform(X[ : , 0])
21 Creating a dummy variable
22
23 onehotencoder = OneHotEncoder(categorical_features = [0])
24 X = onehotencoder.fit_transform(X).toarray()
25 labelencoder_Y = LabelEncoder()
26 Y =labelencoder_Y.fit_transform(Y)
27
28 Step 5: 切分資料整合訓練資料和測試資料
29 from sklearn.cross_validation import train_test_split
30 X_train, X_test, Y_train, Y_test = train_test_split( X , Y , test_size = 0.2, random_state = 0)
31
32 Step 6: 特徵縮放
33 from sklearn.preprocessing import StandardScaler
34 sc_X = StandardScaler()
35 X_train = sc_X.fit_transform(X_train)
36 X_test = sc_X.fit_transform(X_test)
本教程的測試資料請關注本人的公眾號獲取：
