數(shù)據(jù)預處理和特征工程的常用功能

來源：DA隨想隨筆

一、 概述

機器學習最基礎的5個流程，分別是數(shù)據(jù)獲取，數(shù)據(jù)預處理，特征工程，建模、測試和預測，上線與部署。

如果用做菜來對比，數(shù)據(jù)獲取就好比買菜，數(shù)據(jù)預處理就好比洗菜，特征工程就好比主菜輔料加工準備，建模就好比炒菜，上線部署就好比擺盤上菜。

由此可見，數(shù)據(jù)預處理和特征工程在整個機器學習應用工作中，占據(jù)了極其重要的地位。要是菜沒洗干凈，食材沒加工好，大廚手藝再高也做不出好吃的菜。

數(shù)據(jù)預處理

數(shù)據(jù)預處理主要是從數(shù)據(jù)角度和業(yè)務角度兩方面入手，從獲取的數(shù)據(jù)中查缺補漏，修正不準確的數(shù)據(jù)，剔除不適用的數(shù)據(jù)。

數(shù)據(jù)預處理的主要目的就是讓數(shù)據(jù)符合模型需求，能正確表達業(yè)務意義。

常見的需要處理的問題有：

數(shù)據(jù)類型問題：數(shù)據(jù)中有的是文本格式，有的是數(shù)值格式，有的同樣是時間序列但是格式不同。

數(shù)據(jù)質量問題：數(shù)據(jù)存在重復值，異常值，缺失值，數(shù)據(jù)量綱不統(tǒng)一有的數(shù)據(jù)取值在（0，1）之間有的取值是百萬級的，樣本分布存在偏態(tài)有某幾類樣本量極大。

業(yè)務表達問題：有些數(shù)據(jù)從值上看符合一般邏輯，但是落在具體業(yè)務場景中，就會存在問題，因此要結合業(yè)務意義，剔除不符合要求的樣本數(shù)據(jù)。

特征工程

特征工程主要是對原始數(shù)據(jù)進行加工、組合、轉換、產生新的變量，使其更能代表預測模型的潛在問題。同時還可以通過特征工程，挑選和提取一些更有價值的特征，剔除一些對模型性能影響不大的特征，從而降低模型計算的復雜度。

特征工程的主要目的是降低模型計算成本，提高模型精度。

常見的需要處理的問題有：

相關性分析：特征與特征之間相關性強，說明具有多重共線性，可以將幾個特征組合成一個新特征，實現(xiàn)降維；特征與目標之間的相關性強，說明特征對目標的解釋性好，是可用的特征，反之，說明特征對目標沒什么影響，則可以剔除該特征。

特征構造：基于原始特征，進行組合，轉換，加工，生成新的特征，使得其更具有對目標的解釋性。

特征降維：講一些解釋性弱的特征，業(yè)務意義不強的特征剔除，降低模型運算復雜度，提高性能。

二、 常用功能

接下來以python為例，介紹在數(shù)據(jù)預處理和特征工程過程中常用的一些方法。

# 導入數(shù)據(jù)，這里以python自帶的鳶尾花數(shù)據(jù)為例
from sklearn import datasets
import pandas as pd  
import numpy as np
# 加載數(shù)據(jù)集
data = datasets.load_iris()
X = data.data   # 特征值
y = data.target   # 目標值
data_iris=pd.DataFrame(X)
data_iris['target']=pd.DataFrame(y)
data_iris=data_iris.rename(columns={0:'F1',1:'F2',2:'F3',3:'F4','target':'target'})
data_iris.head()

數(shù)據(jù)預處理

重復值處理

# 重復值刪除
data_iris = data_iris.drop_duplicates()

缺失值處理

# 缺失值處理
## 查看缺失值
data_iris.isnull().sum()
## 缺失值刪除
### 刪除含有缺失值的行  
data_iris = data_iris.dropna()  


### 刪除含有缺失值的列  
data_iris = data_iris.dropna(axis=1)


##缺失值填補
### 用指定數(shù)值填充缺失值 ，如0
data_iris = data_iris.fillna(0)
### 用均值、中位數(shù)、眾數(shù)填補
data_iris = data_iris.fillna(data_iris.mean())

異常值處理

# 異常值識別
## 分位數(shù)識別異常值，將上下四分位數(shù)之外的都定義為異常值


from scipy import stats  


### 計算IQR  
Q1 = data_iris.quantile(0.25)  
Q3 = data_iris.quantile(0.75)  
IQR = Q3 - Q1  


### 找出異常值  
lower_bound = Q1 - 1.5 * IQR  
upper_bound = Q3 + 1.5 * IQR  
outliers = data_iris[(data_iris < lower_bound) | (data_iris > upper_bound)]


## 標準差識別異常值，在幾個標準差之外的數(shù)據(jù)定義為異常值 
z_scores = (data_iris - data_iris.mean()) / data_iris.std()  
outliers_z = z_scores[abs(z_scores) > 3]


# 異常值處理
# 異常值處理方式很多，如直接刪除或用均值替代等，其與缺失值處理方式基本一致，就不再額外贅述。

分類變量編碼

讓不可計算的分類變量轉化為可計算的數(shù)值或者矩陣

# label編碼,將分類變量轉化成數(shù)值形式
from sklearn.preprocessing import LabelEncoder
data_iris.iloc[:,-1] = LabelEncoder().fit_transform(data_iris.iloc[:,-1])
# onehot編碼，創(chuàng)建虛擬變量，將分類變量轉化成01矩陣
from sklearn.preprocessing import OneHotEncoder
X = data_iris.iloc[:,1:-1]
enc = OneHotEncoder(categories='auto').fit(X)
result = enc.transform(X).toarray()

連續(xù)變量編碼

將連續(xù)變量離散化，使得其可以根據(jù)有區(qū)分效果。

# 二值化，大于閾值記為1，小于閾值記為0
from sklearn.preprocessing import Binarizer
X = data_iris.iloc[:,0].values.reshape(-1,1)               #類為特征專用，所以不能使用一維數(shù)組
transformer = Binarizer(threshold=30).fit_transform(X)
#transformer
# 分箱
from sklearn.preprocessing import KBinsDiscretizer
X = data_iris.iloc[:,0].values.reshape(-1,1) 
# n_bins設置要分幾箱,默認為5;encode設置編碼方式，默認onehot;
# strategy設置分箱方法，默認為quantile等位分箱（每箱樣本數(shù)量相同），uniform等寬分箱，每個箱的上下限差值相同，kmeans聚類分箱
est = KBinsDiscretizer(n_bins=3, encode='ordinal', strategy='uniform')
est.fit_transform(X)
#查看轉換后分的箱：變成了一列中的三箱
set(est.fit_transform(X).ravel())
est = KBinsDiscretizer(n_bins=3, encode='onehot', strategy='uniform')#查看轉換后分的箱：變成了啞變量
est.fit_transform(X).toarray()

標準化

消除變量的量綱，使得特征變量的值都收斂于同一個范圍。

# maxmin標準化
from sklearn.preprocessing import MinMaxScaler
#實現(xiàn)歸一化
scaler = MinMaxScaler()                             
scaler = scaler.fit(data_iris)                           
result = scaler.transform(data_iris)                     


# z標準化
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()                           
scaler = scaler.fit(data_iris) 
result = scaler.transform(data_iris)

特征工程

業(yè)務理解

通過數(shù)據(jù)預處理，數(shù)據(jù)邏輯上的錯誤基本已經消除。但這是否就代表著可以建模了呢？當然不是，這里還需要對特征進行處理。

如果說數(shù)據(jù)預處理是對行數(shù)據(jù)進行操作，那么特征工程主要是對列進行操作。

而這其中，最重要的一步，是對特征的業(yè)務理解。如，某一個數(shù)據(jù)集有幾列分別為地區(qū)，天氣，降水量，空氣濕度，用戶年齡。

如果現(xiàn)在是要對天氣情況進行分析，那么很明顯，用戶年齡這個特征字段對這個目標是沒有用處的。因此從業(yè)務理解的角度考慮，首先就可以剔除一些沒有錯，但沒有用的特征變量。

特征選擇-過濾法

# 方差過濾
## 如果一個特征的方差很小，說明數(shù)據(jù)都集中于一個范圍中，沒有什么差異性，甚至都是相同的值，該特征用處就不大
from sklearn.feature_selection import VarianceThreshold
#獲取刪除不合格特征之后的新特征矩陣
X = VairanceThreshold().fit_transform(data_iris) 
# 相關性過濾
## 如果特征與標簽之間沒有相關性，則可以剔除該特征，如果特征與特征之間相關性很強，則可以將特征組合，實現(xiàn)降維
## 這里以卡方過濾為例，常見的還有F檢驗，互信息等
from sklearn.ensemble import RandomForestClassifier as RFC
from sklearn.model_selection import cross_val_score
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2
# k表示需要保留的特征個數(shù)
X_kafang = SelectKBest(chi2, k=3).fit_transform(data_iris.iloc[:,:-1], data_iris['target'])
## 至于k怎么取值，一方面是可以根據(jù)業(yè)務實際需要取，也可以通過學習曲線取學習曲線中最高點對應的k值
%matplotlib inline
import matplotlib.pyplot as plt
score = []
for i in range(3,0,-1):
    X_fschi = SelectKBest(chi2, k=i).fit_transform(data_iris.iloc[:,:-1], data_iris['target'])
    once = cross_val_score(RFC(n_estimators=10,random_state=0),X_fschi,data_iris['target'],cv=5).mean()
    score.append(once)
plt.plot(range(3,0,-1),score)
plt.show()

特征選擇-嵌入法

將特征嵌入模型，讓算法同時進行特征選擇和模型訓練，然后輸出特征的權重參數(shù)值，通過排序選擇有用的特征，這里沒有一個統(tǒng)一的標準去判斷權重參數(shù)達到什么標準可以剔除。且不同算法對參數(shù)讀取的函數(shù)也略有不同，因此對本方法就不具體舉例了。

特征選擇-包裝法

通過引入一個函數(shù)，來幫助算法在模型訓練時自主選擇特征，不需要人工判斷參數(shù)值。該方法相對復雜，本文也不做舉例。

三、 總結

本文簡單介紹了數(shù)據(jù)分析過程中，數(shù)據(jù)預處理和特征工程的相關基礎內容，并進行了一些舉例。但其實這兩部分內容遠不是這么簡單，在實際操作中，所遇到的問題更加復雜，且可應用的方法也非常多，本文所介紹的都是最基礎的方法，便于理解其用途。

可以說數(shù)據(jù)分析結果好不好，很大程度取決于數(shù)據(jù)預處理和特征工程做的好不好。本文相對粗淺，感興趣的朋友，可以再深入研究。

審核編輯：湯梓紅