pandas 线性回归 特征预处理常见问题总结_字符串特征可以用来训练线性回归模型吗

一、数值特征处理

1.方法

常见的数值特征处理方式：标准化，有很多种方法网上很多，可以自己去查，常见的有极差标准化法、Z-score标准化法等

2.目的

经过标准化处理的数值特征，在模型训练时能够更快地收敛最佳值，加快模型的训练速度

二、字符型特征处理（最常见问题）

1.原因

对于字符型的特征，我们并不能将其直接传输网络模型中进行训练，需要对其进行编码成数值

2.方法

常用两种编码方式：

• 分类编码：当分类变量的取值之间有大小意义是，如【小学、初中、大学】，可以使用分类编码，将其编码为【0,1，2】
• 独热编码：当分类变量之间没有大小意义是，如【蓝色、黄色、红色】，则使用独热编码
  参考：https://blog.csdn.net/weixin_42189966/article/details/106781753

3.实现

分类编码

1）标签的分类编码

from sklearn.preprocessing import LabelEncoder
#一步到位的写法
data.loc[:,-1] = LabelEncoder().fit_transform(data.loc[:,-1]) 

# 分部写法
y = data.iloc[:,-1]
le = LabelEncoder()
le = le.fit(y)
label = le.transform(y)
#查看标签中共有多少类别
le.classes_ 
1
2
3
4
5
6
7
8
9
10
11

2）特征的分类编码

from sklearn.preprocessing import OrdinalEncoder
# 将数据备份一下
data_ = data
#一步到位的写法
data_.iloc[:,1:-1] = OrdinalEncoder().fit_transform(data_.loc[:,-1,1])
#分部写法
oe = OrdinalEncoder()
oe = oe.fit(data.iloc[:,1:-1])
data_.iloc[:,1,-1] = oe.transform(data.iloc[:,1,-1])
#查看一共分类的种数
oe.categories_
1
2
3
4
5
6
7
8
9
10
11

独热编码

特点：

• 在类别数量比较多时，会导致特征空间变得比较大，可以结合pca进行降维。
• 树模型不太需要独热编码，因为对于树模型，数值只是类别符号，没有偏序关系。若树模型使用独热编码则一般起到增加树深度的作用。

使用pandas的get_dummies函数也可以进行独热编码，而且默认对所有字符串类型的列进行独热编码。

import pandas as pd
pd.get_dummies(x)
1
2

使用sklearn.preprocessing.OneHotEncoder可以对特征进行独热编码。

from sklearn.preprocessing import OneHotEncoder
x = data.iloc[:,1:-1]
#一步到位完成独热编码
OneHotEncoder(categories = 'auto').fit_transform(x).toarray()
#分部进行
enc = OneHotEncoder(categories = 'auto').fit(x)
result = enc.transform(x).toarray()
#编码还原
pd.Dataframe(enc.inverse_transform(result))
#查看哑变量的每列是什么特征的什么取值
enc.get_feature_names()
1
2
3
4
5
6
7
8
9
10
11

三、在Pandas处理NaN值

1.原因

• 任何给定数据集可能会出现各种糟糕的数据，例如离群值或不正确的值，但是我们几乎始终会遇到的糟糕数据类型是缺少值。
• Pandas 会为缺少的值分配 NaN 值。

2.处理方法

参考：https://blog.csdn.net/Tyro_java/article/details/81396000

①统计NaN的个数

# 计算在store_items中NaN值的个数
x =  store_items.isnull().sum().sum()

# 输出
print('在我们DataFrame中NaN的数量:', x)
1
2
3
4
5

• .isnull() 方法返回一个大小和 store_items 一样的布尔型 DataFrame，并用 True 表示具有 NaN 值的元素，用 False 表示非 NaN 值的元素。

②处理这些NaN值

1）删除所在行或列

• 如果 axis = 0，.dropna(axis) 方法将删除包含 NaN 值的任何行

• 如果 axis = 1，.dropna(axis) 方法将删除包含 NaN 值的任何列

  删除包含NaN值得任何行

  store_items.dropna(axis = 0)

• 原始 DataFrame 不会改变。你始终可以在 dropna() 方法中将关键字 inplace 设为 True，在原地删除目标行或列。

2）填充NaN值
我们可以使用**fillna()**方法将NaN值替换为DataFrame中的上个值，称之为前向填充

• .fillna(method = ‘ffill’, axis) 将通过前向填充方法沿着给定axis使用上个已知值替换NaN值

  store_items.fillna(method = ‘ffill’, axis = 0)

同理，也可以使用后向填充：

# 向后填充列，即为NaN的列值，用其列中的后一个来填充
store_items.fillna(method = 'backfill', axis = 0)
1
2

补充：假如是对于数值特征的NaN处理，常见思路是通过Z-score标准化法处理数值特征，此时其均值即为0，最后通过将NaN值替换为0：

# 将所有缺失的值替换为相应特征的平均值。通过将特征重新缩放到零均值和单位方差来标准化数据

# 若无法获得测试数据，则可根据训练数据计算均值和标准差
numeric_features = all_features.dtypes[all_features.dtypes != 'object'].index # 数值特征
all_features[numeric_features] = all_features[numeric_features].apply(
    lambda x: (x - x.mean()) / (x.std())) # 数值标准化
# 在标准化数据之后，所有均值消失，因此我们可以将缺失值设置为0
all_features[numeric_features] = all_features[numeric_features].fillna(0)
1
2
3
4
5
6
7
8