Python----数据预处理

  1. 导入标准库
    import numpy as np
    import matplotlib.pyplot as plt
    import pandas as pd
  2. 导入数据集
    dataset = pd.read_csv('data (1).csv')  # read_csv:读取csv文件
    #创建一个包含所有自变量的矩阵,及因变量的向量
    #iloc表示选取数据集的某行某列;逗号之前的表示行,之后的表示列;冒号表示选取全部,没有冒号,则表示选取第几列;values表示选取数据集里的数据。
    X = dataset.iloc[:, :-1].values # 选取数据,不选取最后一列。
    y = dataset.iloc[:, 3].values # 选取数据,选取每行的第3列数据
  3. 缺失数据
    from sklearn.preprocessing import Imputer #进行数据挖掘及数据分析的标准库,Imputer缺失数据的处理
    #Imputer中的参数:missing_values 缺失数据,定义怎样辨认确实数据,默认值:nan ;strategy 策略,补缺值方式 : mean-平均值 , median-中值 , most_frequent-出现次数最多的数 ; axis =0取列 =1取行
    imputer = Imputer(missing_values = 'NaN', strategy = 'mean', axis = 0)
    imputer = imputer.fit(X[:, 1:3])#拟合fit
    X[:, 1:3] = imputer.transform(X[:, 1:3])
  4. 分类数据
    from sklearn.preprocessing import LabelEncoder,OneHotEncoder
    labelencoder_X=LabelEncoder()
    X[:,0]=labelencoder_X.fit_transform(X[:,0])
    onehotencoder=OneHotEncoder(categorical_features=[0])
    X=onehotencoder.fit_transform(X).toarray()
    #因为Purchased是因变量,Python里面的函数可以将其识别为分类数据,所以只需要LabelEncoder转换为分类数字
    labelencoder_y=LabelEncoder()
    y=labelencoder_y.fit_transform(y)
  5. 将数据集分为训练集和测试集
    from sklearn.model_selection import train_test_split
    X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=0)
    #X_train(训练集的字变量),X_test(测试集的字变量),y_train(训练集的因变量),y_test(训练集的因变量)
    #训练集所占的比重0.2~0.25,某些情况也可分配1/3的数据给训练集;train_size训练集所占的比重
    #random_state决定随机数生成的方式,随机的将数据分配给训练集和测试集;random_state相同时会得到相同的训练集和测试集
  6. 特征缩放
    #特征缩放(两种方式:一:Standardisation(标准化);二:Normalisation(正常化))
    from sklearn.preprocessing import StandardScaler
    sc_X=StandardScaler()
    X_train=sc_X.fit_transform(X_train)#拟合,对X_train进行缩放
    X_test=sc_X.transform(X_test)#sc_X已经被拟合好了,所以对X_test进行缩放时,直接转换X_test
  7. 数据预处理模板
    (1)导入标准库
    (2)导入数据集
    (3)缺失和分类很少遇到
    (4)将数据集分割为训练集和测试集
    (5)特征缩放,大部分情况下不需要,但是某些情况需要特征缩放

上一篇:#pragma常用预处理指令


下一篇:Struts2 内建的验证规则