关于使用sklearn进行数据预处理 —— 归一化/标准化/正则化

一、标准化(Z-score),或者去除均值和方差缩放

公式为:(X-mean)/std 计算时对每个属性/每列分别进行。

将数据按期属性(按列进行)减去其均值,并处以其方差。得到的结果是,对于每个属性/每列来说所有数据都聚集在0附近,方差为1。

实现时,有两种不同的方式:

  • 使用sklearn.preprocessing.scale()函数,可以直接将给定数据进行标准化。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
>>> from sklearn import preprocessing
>>> numpy as np
>>> X = np.array([[ 1 .,- ottom:auto!important; float:none!important; height:auto!important; left:auto!important; line-height:1.8em!important; outline:0px!important; overflow:visible!important; position:static!important; right:auto!important; top:auto!important; vertical-align:baseline!important; width:auto!important; font-family:Consolas, 2 .],
... [ 0 ottom:auto!important; float:none!important; height:auto!important; left:auto!important; line-height:1.8em!important; outline:0px!important; overflow:visible!important; position:static!important; right:auto!important; top:auto!important; vertical-align:baseline!important; width:auto!important; font-family:Consolas,
.]])
>>> X_scaled = preprocessing.scale(X)
>>> X_scaled
array([[ . ...,0)!important; background:none!important">1.22 ...,0)!important; background:none!important">1.33 ...],
[ 0.26 ottom:auto!important; float:none!important; height:auto!important; left:auto!important; line-height:1.8em!important; outline:0px!important; overflow:visible!important; position:static!important; right:auto!important; top:auto!important; vertical-align:baseline!important; width:auto!important; font-family:Consolas,
[- 1.06 ...]])
>>>#处理后数据的均值和方差
>>> X_scaled.mean(axis= )
array([ .])
>>> X_scaled.std(axis= )
.])
  • 使用sklearn.preprocessing.StandardScaler类,使用该类的好处在于可以保存训练集中的参数(均值、方差)直接使用其对象转换测试集数据。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
>>> scaler = preprocessing.StandardScaler().fit(X)
>>> scaler
StandardScaler(copy = True ,with_mean ottom:auto!important; float:none!important; height:auto!important; left:auto!important; line-height:1.8em!important; outline:0px!important; overflow:visible!important; position:static!important; right:auto!important; top:auto!important; vertical-align:baseline!important; width:auto!important; font-family:Consolas,with_std )
>>> scaler.mean_
array([ 1. ottom:auto!important; float:none!important; height:auto!important; left:auto!important; line-height:1.8em!important; outline:0px!important; overflow:visible!important; position:static!important; right:auto!important; top:auto!important; vertical-align:baseline!important; width:auto!important; font-family:Consolas, 0. 0.33 ...])
>>> scaler.std_
0.81 1.24 ...])
>>> scaler.transform(X)
array([[ ottom:auto!important; float:none!important; height:auto!important; left:auto!important; line-height:1.8em!important; outline:0px!important; overflow:visible!important; position:static!important; right:auto!important; top:auto!important; vertical-align:baseline!important; width:auto!important; font-family:Consolas, - 1.22 1.33 ottom:auto!important; float:none!important; height:auto!important; left:auto!important; line-height:1.8em!important; outline:0px!important; overflow:visible!important; position:static!important; right:auto!important; top:auto!important; vertical-align:baseline!important; width:auto!important; font-family:Consolas,
[ 0.26 ottom:auto!important; float:none!important; height:auto!important; left:auto!important; line-height:1.8em!important; outline:0px!important; overflow:visible!important; position:static!important; right:auto!important; top:auto!important; vertical-align:baseline!important; width:auto!important; font-family:Consolas,
[ 1.06 ...]])
>>> #可以直接使用训练集对测试集数据进行转换
>>> scaler.transform([[ ]])
array([[ 2.44 ...]])


二、将属性缩放到一个指定范围

除了上述介绍的方法之外,另一种常用的方法是将属性缩放到一个指定的最大和最小值(通常是1-0)之间,这可以通过preprocessing.MinMaxScaler类实现。

使用这种方法的目的包括

1、对于方差非常小的属性可以增强其稳定性。

2、维持稀疏矩阵中为0的条目。

3
4
12
19
20
21
22
23
24
>>> X_train np.array([[ 2. ],
... [ ottom:auto!important; float:none!important; height:auto!important; left:auto!important; line-height:1.8em!important; outline:0px!important; overflow:visible!important; position:static!important; right:auto!important; top:auto!important; vertical-align:baseline!important; width:auto!important; font-family:Consolas,
]])
...
>>> min_max_scaler preprocessing.MinMaxScaler()
>>> X_train_minmax min_max_scaler.fit_transform(X_train)
>>> X_train_minmax
0.5 ottom:auto!important; float:none!important; height:auto!important; left:auto!important; line-height:1.8em!important; outline:0px!important; overflow:visible!important; position:static!important; right:auto!important; top:auto!important; vertical-align:baseline!important; width:auto!important; font-family:Consolas,
0.33333333 ottom:auto!important; float:none!important; height:auto!important; left:auto!important; line-height:1.8em!important; outline:0px!important; overflow:visible!important; position:static!important; right:auto!important; top:auto!important; vertical-align:baseline!important; width:auto!important; font-family:Consolas,
]])
>>> #将相同的缩放应用到测试集数据中
>>> X_test np.array([[ 3. 4. ]])
>>> X_test_minmax min_max_scaler.transform(X_test)
>>> X_test_minmax
1.5 1.66666667 ]])
#缩放因子等属性
>>> min_max_scaler.scale_
...])
>>> min_max_scaler.min_
...])

当然,在构造类对象的时候也可以直接指定最大最小值的范围:feature_range=(min,max),此时应用的公式变为:

X_std=(X-X.min(axis=0))/(X.max(axis0)0))

X_scaled=X_std/(max-min)+min


三、正则化(normalization)

正则化的过程是将每个样本缩放到单位范数(每个样本的范数为1),如果后面要使用如二次型(点积)或者其它核方法计算两个样本之间的相似性这个方法会很有用。

normalization主要思想是对每个样本计算其p-范数,然后对该样本中每个元素除以该范数,这样处理的结果是使得每个处理后样本的p-范数(l1-norm,l2-norm)等于1。

p-范数的计算公式:||X||p=(|x1|^p+|x2|^p+...+|xn|^p)^1/p

方法主要应用于文本分类和聚类中。例如,对于两个TF-IDF向量的l2-norm进行点积,就可以得到这两个向量的余弦相似性。

1、可以使用preprocessing.normalize()函数对指定数据进行转换:

9
>>> X [[ ]]
>>> X_normalized preprocessing.normalize(X,norm = 'l2' )
>>> X_normalized
0.40 ottom:auto!important; float:none!important; height:auto!important; left:auto!important; line-height:1.8em!important; outline:0px!important; overflow:visible!important; position:static!important; right:auto!important; top:auto!important; vertical-align:baseline!important; width:auto!important; font-family:Consolas,
0.70

2、可以使用processing.normalizer()类实现对训练集和测试集的拟合和转换:

12
>>> normalizer
preprocessing.normalizer().fit(X) # fit does nothing
>>> normalizer
normalizer(copy )
>>>
>>> normalizer.transform(X)
...]])
>>> normalizer.transform([[ ]])
补充:

相关文章

正则替换html代码中img标签的src值在开发富文本信息在移动端...
正则表达式
AWK是一种处理文本文件的语言,是一个强大的文件分析工具。它...
正则表达式是特殊的字符序列,利用事先定义好的特定字符以及...
Python界一名小学生,热心分享编程学习。
收集整理每周优质开发者内容,包括、、等方面。每周五定期发...