机器学习---sklearn数据预处理_数据集的预处理例子

sklearn（Scikit-learn）是一个常用的机器学习库，提供了各种数据预处理方法。下面是一些常用的数据预处理方式以及使用sklearn的示例代码：

一、数据清洗（Data Cleaning）：

        1、缺失值处理：使用SimpleImputer类来处理缺失值。下面是一个示例代码：

from sklearn.impute import SimpleImputer
 
# 创建SimpleImputer对象，使用均值填充缺失值
imputer = SimpleImputer(strategy='mean')
 
# 对数据集进行拟合和转换
X_train = imputer.fit_transform(X_train)
X_test = imputer.transform(X_test)

二、特征选择（Feature Selection）： 

        1、方差阈值（Variance Threshold）：使用VarianceThreshold类来删除方差低于阈值的特征。下面是一个示例代码：

from sklearn.feature_selection import VarianceThreshold
 
# 创建VarianceThreshold对象，设置阈值为0.1
selector = VarianceThreshold(threshold=0.1)
 
# 对数据集进行拟合和转换
X_train = selector.fit_transform(X_train)
X_test = selector.transform(X_test)

        2、单变量特征选择（Univariate Feature Selection）：使用SelectKBest类和相关的评分函数来选择与目标变量相关性最高的K个特征。下面是一个示例代码：

from sklearn.feature_selection import SelectKBest, f_regression
 
# 创建SelectKBest对象，使用f_regression评分函数选择5个特征
selector = SelectKBest(score_func=f_regression, k=5)
 
# 对数据集进行拟合和转换
X_train = selector.fit_transform(X_train, y_train)
X_test = selector.transform(X_test)

三、特征缩放（Feature Scaling）：

        1、标准化（Standardization）：使用StandardScaler类对特征进行标准化，使其具有零均值和单位方差。下面是一个示例代码： 

from sklearn.preprocessing import StandardScaler
 
# 创建StandardScaler对象
scaler = StandardScaler()
 
# 对数据集进行拟合和转换
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

        2、归一化（Normalization）：使用MinMaxScaler类对特征进行归一化，将其缩放到指定的范围（例如0到1）。下面是一个示例代码：

from sklearn.preprocessing import MinMaxScaler
 
# 创建MinMaxScaler对象
scaler = MinMaxScaler()
 
# 对数据集进行拟合和转换
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

        3、均值移除（Mean Removal）：均值移除是一种常见的特征缩放方法，用于将特征的均值移动到零（即使特征的均值为零）。在sklearn中，可以使用preprocessing模块中的scale函数来实现均值移除。示例代码如下：

from sklearn.preprocessing import StandardScaler
 
# 创建一个StandardScaler对象，进行均值移除
scaler = StandardScaler(with_mean=True, with_std=False)
 
# 使用scaler对数据集X进行均值移除
X_mean_removed = scaler.fit_transform(X)
X_test = scaler .transform(X_test)

四、特征转换

        1、二值化（Binarization）：二值化是将数值特征转换为布尔值（0或1）的过程。在sklearn中，可以使用preprocessing模块中的Binarizer类来实现二值化。示例代码如下：

from sklearn.preprocessing import Binarizer
 
# 创建一个Binarizer对象，进行二值化
binarizer = Binarizer(threshold=0.5)
 
# 使用binarizer对数据集X进行二值化
X_binarized = binarizer.fit_transform(X)
X_test = binarizer .transform(X_test)

五、特征编码（Feature Encoding）：

        1、独热编码（One-Hot Encoding）：使用OneHotEncoder类对离散特征进行独热编码。下面是一个示例代码：

from sklearn.preprocessing import OneHotEncoder
 
# 创建OneHotEncoder对象
encoder = OneHotEncoder()
 
# 对数据集进行拟合和转换
X_train = encoder.fit_transform(X_train)
X_test = encoder.transform(X_test)

        2、标签编码（Label Encoding）：使用LabelEncoder类对离散特征进行标签编码，将其转换为整数表示。下面是一个示例代码：

from sklearn.preprocessing import LabelEncoder
 
# 创建LabelEncoder对象
encoder = LabelEncoder()
 
# 对数据集进行拟合和转换
y_train = encoder.fit_transform(y_train)
y_test = encoder.transform(y_test)