凡事預(yù)則立，不預(yù)則廢，訓(xùn)練機(jī)器學(xué)習(xí)模型也是如此。數(shù)據(jù)清洗和預(yù)處理是模型訓(xùn)練之前的必要過程，否則模型可能就「廢」了。本文是一個(gè)初學(xué)者指南，將帶你領(lǐng)略如何在任意的數(shù)據(jù)集上，針對(duì)任意一個(gè)機(jī)器學(xué)習(xí)模型，完成數(shù)據(jù)預(yù)處理工作。

數(shù)據(jù)預(yù)處理是建立機(jī)器學(xué)習(xí)模型的第一步（也很可能是最重要的一步），對(duì)最終結(jié)果有決定性的作用：如果你的數(shù)據(jù)集沒有完成數(shù)據(jù)清洗和預(yù)處理，那么你的模型很可能也不會(huì)有效——就是這么簡單。

人們通常認(rèn)為，數(shù)據(jù)預(yù)處理是一個(gè)非常枯燥的部分。但它就是「做好準(zhǔn)備」和「完全沒有準(zhǔn)備」之間的差別，也是表現(xiàn)專業(yè)和業(yè)余之間的差別。就像為度假做好事先準(zhǔn)備一樣，如果你提前將行程細(xì)節(jié)確定好，就能夠預(yù)防旅途變成一場噩夢(mèng)。

那么，應(yīng)該怎么做呢？

本文將帶你領(lǐng)略，如何在任意的數(shù)據(jù)集上，針對(duì)任意一個(gè)機(jī)器學(xué)習(xí)模型，完成數(shù)據(jù)預(yù)處理工作。

第一步，導(dǎo)入

讓我們從導(dǎo)入數(shù)據(jù)預(yù)處理所需要的庫開始吧。庫是非常棒的使用工具：將輸入傳遞給庫，它則完成相應(yīng)的工作。你可以接觸到非常多的庫，但在 PYTHON 中，有三個(gè)是最基礎(chǔ)的庫。任何時(shí)候，你都很可能最終還是使用到它們。這三個(gè)在使用 PYTHON 時(shí)最流行的庫就是 Numpy、Matplotlib 和 Pandas。Numpy 是滿足所有數(shù)學(xué)運(yùn)算所需要的庫，由于代碼是基于數(shù)學(xué)公式運(yùn)行的，因此就會(huì)使用到它。Maplotlib（具體而言，Matplotlib.pyplot）則是滿足繪圖所需要的庫。Pandas 則是最好的導(dǎo)入并處理數(shù)據(jù)集的一個(gè)庫。對(duì)于數(shù)據(jù)預(yù)處理而言，Pandas 和 Numpy 基本是必需的。

最適當(dāng)?shù)姆绞绞?，在?dǎo)入這些庫的時(shí)候，賦予其縮寫的稱呼形式，在之后的使用中，這可以節(jié)省一定的時(shí)間成本。這一步非常簡單，可以用如下方式實(shí)現(xiàn)：

import?numpy?as?np
import?matplotlib.pyplot?as?plt
import?pandas?as?pd


現(xiàn)在，可以通過輸入如下語句讀入數(shù)據(jù)集

dataset?=?pd.read_csv('my_data.csv')


這個(gè)語句告訴 Pandas(pd) 來讀入數(shù)據(jù)集。在本文中，我也附上數(shù)據(jù)集的前幾行數(shù)據(jù)。

我們有了數(shù)據(jù)集，但需要?jiǎng)?chuàng)建一個(gè)矩陣來保存自變量，以及一個(gè)向量來保存因變量。為了創(chuàng)建保存自變量的矩陣，輸入語句：

X?=?dataset.iloc[:,?:-1].values


第一個(gè)冒號(hào)表示提取數(shù)據(jù)集的全部行，「:-1」則表示提取除最后一列以外的所有列。最后的「.values」表示希望提取所有的值。接下來，我們希望創(chuàng)建保存因變量的向量，取數(shù)據(jù)的最后一列。輸入語句：

y?=?dataset.iloc[:,?3].values


記住，在查看數(shù)據(jù)集的時(shí)候，索引（index）是從 0 開始的。所以，如果希望統(tǒng)計(jì)列數(shù)，從 0 開始計(jì)數(shù)而不是 1?！竅:, :3]」會(huì)返回 animal、age 和 worth 三列。其中 0 表示 animal，1 表示 age，2 表示 worth。對(duì)于這種計(jì)數(shù)方法，即使你沒見過，也會(huì)在很短的時(shí)間內(nèi)適應(yīng)。

如果有缺失數(shù)據(jù)會(huì)怎么樣？

事實(shí)上，我們總會(huì)遇到數(shù)據(jù)缺失。對(duì)此，我們可以將存在缺失的行直接刪除，但這不是一個(gè)好辦法，還很容易引發(fā)問題。因此需要一個(gè)更好的解決方案。最常用的方法是，用其所在列的均值來填充缺失。為此，你可以利用 scikit-learn 預(yù)處理模型中的 inputer 類來很輕松地實(shí)現(xiàn)。（如果你還不知道，那么我強(qiáng)烈建議你搞明白它：scikit-learn 包含非常棒的機(jī)器學(xué)習(xí)模型）。在機(jī)器學(xué)習(xí)中，你可能并不適應(yīng)諸如「方法」、「類」和「對(duì)象」這些術(shù)語。這不是什么大問題！

• 類就是我們希望為某目的所建立的模型。如果我們希望搭建一個(gè)棚子，那么搭建規(guī)劃就是一個(gè)類。

• 對(duì)象是類的一個(gè)實(shí)例。在這個(gè)例子中，根據(jù)規(guī)劃所搭建出來的一個(gè)棚子就是一個(gè)對(duì)象。同一個(gè)類可以有很多對(duì)象，就像可以根據(jù)規(guī)劃搭建出很多個(gè)棚子一樣。

• 方法是我們可以在對(duì)象上使用的工具，或在對(duì)象上實(shí)現(xiàn)的函數(shù)：傳遞給它某些輸入，它返回一個(gè)輸出。這就像，當(dāng)我們的棚子變得有點(diǎn)不通氣的時(shí)候，可以使用「打開窗戶」這個(gè)方法。

為了使用 imputer，輸入類似如下語句。

from?sklearn.preprocessing?import?Imputer
imputer?=?Imputer(missing_values?=?np.nan,?strategy?=?‘mean’,?axis?=?0)


均值填充是默認(rèn)的填充策略，所以其實(shí)不需要指定，加在此處是為了方便了解可以包含什么信息。missing_values 的默認(rèn)值是 nan。如果你的數(shù)據(jù)集中存在「NaN」形式的缺失值，那么你應(yīng)該關(guān)注 np.nan，可以在此查看官方文檔：??
https://scikit-learn.org/stable/modules/generated/sklearn.impute.SimpleImputer.html

為了擬合這個(gè) imputer，輸入：

imputer?=?imputer.fit(X[:,?1:3])


我們只希望在數(shù)據(jù)存在缺失的列上擬合 imputer。這里的第一個(gè)冒號(hào)表示包含所有行，而「1:3」則表示我們?nèi)∷饕秊?1 和 2 的列。不要擔(dān)心，你很快就會(huì)習(xí)慣 PTYHON 的計(jì)數(shù)方法的。

現(xiàn)在，我們希望調(diào)用實(shí)際上可以替換填充缺失數(shù)據(jù)的方法。通過輸入以下語句完成：

X[:,?1:3]?=?imputer.transform(X[:,?1:3])


多嘗試一些不同的填充策略。也許在某些項(xiàng)目中，你會(huì)發(fā)現(xiàn)，使用缺失值所在列的中位數(shù)或眾數(shù)來填充缺失值會(huì)更加合理。填充策略之類的決策看似細(xì)微，但其實(shí)意義重大。因?yàn)榱餍型ㄓ玫姆椒ú⒉灰欢ň褪钦_的選擇，對(duì)于模型而言，均值也不一定是最優(yōu)的缺失填充選擇。

畢竟，幾乎所有正閱讀本文的人，都有高于平均水平的手臂數(shù)。

如果包含屬性數(shù)據(jù)，會(huì)怎么樣呢？

這是一個(gè)好問題。沒有辦法明確地計(jì)算諸如貓、狗、麋鹿的均值。那么可以怎么做呢？可以將屬性數(shù)據(jù)編碼為數(shù)值！你可能希望使用 sklearn.preprocessing 所提供的 LabelEncoder 類。從你希望進(jìn)行編碼的某列數(shù)據(jù)入手，調(diào)用 label encoder 并擬合在你的數(shù)據(jù)上。

from?sklearn.preprocessing?import?LabelEncoder
labelencoder_X?=?LabelEncoder()
X[:,?0]?=?labelencoder_X.fit_transform(X[:,?0])


（還記得括號(hào)里的數(shù)字所表示的含義嗎？「：」表示希望提取所有行的數(shù)據(jù)，0 表示希望提取第一列）

這就是將第一列中的屬性變量替換為數(shù)值所需的全部工作了。例如，麋鹿將用 0 表示，狗將用 2 表示，貓將用 3 表示。

你發(fā)現(xiàn)什么潛在問題了嗎？

標(biāo)注體系暗含以下信息：所使用的數(shù)值層級(jí)關(guān)系可能會(huì)影響模型結(jié)果：3 比 0 的數(shù)值大，但貓并不一定比麋鹿大。

我們需要?jiǎng)?chuàng)建啞變量。

我們可以為貓創(chuàng)建一列數(shù)據(jù)，為麋鹿創(chuàng)建一列數(shù)據(jù)，……以此類推。然后，將每一列分別以 0/1 填充（認(rèn)為 1=Yes，0 = No）。這表明，如果原始列的值為貓，那么就會(huì)在麋鹿一列得到 0，狗一列得到 0，貓一列得到 1。

看上去非常復(fù)雜。輸入 OneHotEncoder 吧！

導(dǎo)入編碼器，并制定對(duì)應(yīng)列的索引。

from?sklearn.preprocessing?import?OneHotEncoder
onehotencoder?=?OneHotEncoder(categorical_features?=?[0])


接著是一點(diǎn)擬合和轉(zhuǎn)換。

X?=?onehotencoder.fit_transform(X).toarray()


現(xiàn)在，你的那一列數(shù)據(jù)已經(jīng)被替換為了這種形式：數(shù)據(jù)組中的每一個(gè)屬性數(shù)據(jù)對(duì)應(yīng)一列，并以 1 和 0 取代屬性變量。非常貼心，對(duì)吧？如果我們的 Y 列也是如「Y」和「N」的屬性變量，那么我們也可以在其上使用這個(gè)編碼器。

labelencoder_y?=?LabelEncoder()
y?=?labelencoder_y.fit_transform(y)


這會(huì)直接擬合并將 y 表示為編碼變量：1 表示「Y」，0 表示「N」。

訓(xùn)練集與測(cè)試集的劃分

現(xiàn)在，你可以開始將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集了。這已經(jīng)在之前的圖像分類教程一文中論述過了。不過記得，一定要將你的數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，永遠(yuǎn)不要用測(cè)試集來訓(xùn)練！需要避免過擬合（可以認(rèn)為，過擬合就像在一次測(cè)驗(yàn)前，記憶了許多細(xì)節(jié)，但沒有理解其中的信息。如果只是記憶細(xì)節(jié)，那么當(dāng)你自己在家復(fù)習(xí)知識(shí)卡片時(shí)，效果會(huì)很好，但在所有會(huì)考察新信息的真實(shí)測(cè)驗(yàn)中，都會(huì)不及格。）

現(xiàn)在，我們有了需要學(xué)習(xí)的模型。模型需要在數(shù)據(jù)上訓(xùn)練，并在另外的數(shù)據(jù)上完成測(cè)試。對(duì)訓(xùn)練集的記憶并不等于學(xué)習(xí)。模型在訓(xùn)練集上學(xué)習(xí)得越好，就應(yīng)該在測(cè)試集給出更好的預(yù)測(cè)結(jié)果。過擬合永遠(yuǎn)都不是你想要的結(jié)果，學(xué)習(xí)才是！

首先，導(dǎo)入：

from?sklearn.model_selection?import?train_test_split


現(xiàn)在，可以創(chuàng)建 X_train、X_test、y_train 和 y_test 集合了。

X_train,?X_test,?y_train,?y_test?=?train_test_split(X,?y,?test_size?=?0.2,?random_state?=?0)


一種常見的方法是將數(shù)據(jù)集按 80/20 進(jìn)行劃分，其中 80% 的數(shù)據(jù)用作訓(xùn)練，20% 的數(shù)據(jù)用作測(cè)試。這也是為何指定 test_size 為 0.2 的原因。你也可以根據(jù)自己的需求來任意劃分。你并不需要設(shè)置 random_state，這里設(shè)置的原因是為了可以完全復(fù)現(xiàn)結(jié)果。

特征縮放

什么是特征縮放？為什么需要特征縮放？

看看我們的數(shù)據(jù)。我們有一列動(dòng)物年齡，范圍是 4~17，還有一列動(dòng)物價(jià)值，范圍是83,000。價(jià)值一欄的數(shù)值不僅遠(yuǎn)大于年齡一欄，而且它還包含更加廣闊的數(shù)據(jù)范圍。這表明，歐式距離將完全由價(jià)值這一特征所主導(dǎo)，而忽視年齡數(shù)據(jù)的主導(dǎo)效果。如果歐式距離在特定機(jī)器學(xué)習(xí)模型中并沒有具體作用會(huì)怎么樣？縮放特征將仍能夠加速模型，因此，你可以在數(shù)據(jù)預(yù)處理中，加入特征縮放這一步。

特征縮放的方法有很多。但它們都意味著我們將所有的特征放在同一量綱上，進(jìn)而沒有一個(gè)會(huì)被另一個(gè)所主導(dǎo)。

導(dǎo)入相關(guān)庫開始：

from?sklearn.preprocessing?import?StandardScaler


創(chuàng)建一個(gè)需要縮放對(duì)象并調(diào)用 Standard Scaler 。

sc_X?=?StandardScaler()


直接在數(shù)據(jù)集上進(jìn)行擬合以及變換。獲取對(duì)象并應(yīng)用方法。

X_train?=?sc_X.fit_transform(X_train)
X_test?=?sc_X.transform(X_test)


不需要在測(cè)試集上進(jìn)行擬合，只進(jìn)行變換。

sc_y?=?StandardScaler()
y_train?=?sc_y.fit_transform(y_train)


對(duì)于啞變量而言，是否需要進(jìn)行縮放？

對(duì)于這個(gè)問題，有些人認(rèn)為需要，有些則認(rèn)為不需要。這取決于你對(duì)模型可解釋性的看重誠度。將所有數(shù)據(jù)縮放至同一量綱固然有好處，但缺點(diǎn)是，這丟失了解釋每個(gè)觀測(cè)樣本歸屬于哪個(gè)變量的便捷性。

對(duì)于 Y 呢？如果因變量是 0 和 1，那么并不需要進(jìn)行特征縮放。這是一個(gè)具有明確相關(guān)值的分類問題。但如果其取值范圍非常大，那么答案是你需要做縮放。

恭喜你，你已經(jīng)完成了數(shù)據(jù)預(yù)處理的工作！

通過少量的幾行代碼，你已經(jīng)領(lǐng)略了數(shù)據(jù)清洗和預(yù)處理的基礎(chǔ)。毫無疑問，在數(shù)據(jù)預(yù)處理這一步中，你可以加入很多自己的想法：你可能會(huì)想如何填充缺失值。思考是否縮放特征以及如何縮放特征？是否引入啞變量？是否要對(duì)數(shù)據(jù)做編碼？是否編碼啞變量……有非常多需要考慮的細(xì)節(jié)?，F(xiàn)在，你已經(jīng)完全了解了這些，可以親自動(dòng)手試試了，準(zhǔn)備數(shù)據(jù)吧！