1.预处理 - 一、特征处理 - 《AI算法工程师手册》

一、特征处理

一、特征处理

1.1 二元化

二元化Binarizer 的原型为：
```
class sklearn.preprocessing.Binarizer(threshold=0.0, copy=True)
```
- threshold：一个浮点数，它指定了转换阈值：低于此阈值的值转换为0，高于此阈值的值转换为 1。
- copy：一个布尔值，指定是否拷贝数据。
方法：
- fit(X[, y]) ：不作任何事情，主要用于为流水线Pipeline 提供接口。
- transform(X[, copy]) ：将每个样本的特征二元化。
- fit_transform(X[, y]) ：将每个样本的特征二元化。

1.2 独热码

独热码OneHotEncoder 的原型为：
```
class sklearn.preprocessing.OneHotEncoder(n_values='auto', categorical_features='all',
dtype=<class 'float'>, sparse=True, handle_unknown='error')
```
- n_values：字符串'auto'，或者一个整数，或者一个整数的数组，它指定了样本每个特征取值的上界（特征的取值为从0开始的整数）：
  - 'auto'：自动从训练数据中推断特征值取值的上界。
  - 一个整数：指定了所有特征取值的上界。
  - 一个整数的数组：每个元素依次指定了每个特征取值的上界。
- categorical_features ：字符串'all'，或者下标的数组，或者是一个mask，指定哪些特征需要独热码编码：
  - 'all'：所有的特征都将独热码编码。
  - 一个下标的数组：指定下标的特征将独热码编码。
  - 一个mask：对应为True的特征将编码为独热码。
  所有的非categorical 特征都将被安排在categorical 特征的右边。
- dtype：一个类型，指定了独热码编码的数值类型，默认为np.float 。
- sparse：一个布尔值，指定编码结果是否作为稀疏矩阵。
- handle_unknown：一个字符串，指定转换过程中遇到了未知的 categorical 特征时的异常处理策略。可以为：
  - 'error'：抛出异常。
  - 'ignore'：忽略。
属性：
- active_features_：一个索引数组，存放转换后的特征中哪些是由独热码编码而来。
  
  仅当n_values='auto'时该属性有效。
- feature_indices_：一个索引数组，存放原始特征和转换后特征位置的映射关系。
  
  第 i 个原始特征将被映射到转换后的[feature_indices_[i],feature_indices_[i+1]) 之间的特征。
- n_values_：一个计数数组，存放每个原始特征取值的种类。
  
  一般为训练数据中该特征取值的最大值加1，这是因为默认每个特征取值从零开始。
方法：
- fit(X[, y]) ：训练编码器。
- transform(X) ：执行独热码编码。
- fit_transform(X[, y]) ：训练编码器，然后执行独热码编码。

1.3 标准化

1.3.1 MinMaxScaler

MinMaxScaler实现了min-max标准化，其原型为：
```
class sklearn.preprocessing.MinMaxScaler(feature_range=(0, 1), copy=True)
```
- feature_range：一个元组(min,max)，指定了执行变换之后特征的取值范围。
- copy：一个布尔值，指定是否拷贝数据。
属性：
- min_：一个数组，给出了每个特征的原始最小值的调整值。
  
  设特征的原始最小值为，原始最大值为。则特征的原始最小值的调整值为：。
- scale_：一个数组，给出了每个特征的缩放倍数。
- data_min_：一个数组，给出了每个特征的原始最小值。
- data_max_：一个数组，给出了每个特征的原始最大值。
- data_range_：一个数组，给出了每个特征的原始的范围（最大值减最小值）。
方法：
- fit(X[, y]) ：计算每个特征的最小值和最大值，从而为后续的转换做准备。
- transform(X) ：执行特征的标准化。
- fit_transform(X[, y]) ：计算每个特征的最大小值和最大值，然后执行特征的标准化。
- inverse_transform(X)：逆标准化，还原成原始数据。
- partial_fit(X[, y]) ：学习部分数据，计算每个特征的最小值和最大值，从而为后续的转换做准备。
  
  它支持批量学习，这样对于内存更友好。即训练数据并不是一次性学习，而是分批学习。

1.3.2 MaxAbsScaler

MaxAbsScaler 实现了max-abs 标准化，其原型为：
```
class sklearn.preprocessing.MaxAbsScaler(copy=True)
```
- copy：一个布尔值，指定是否拷贝数据。
属性：
- scale_：一个数组，给出了每个特征的缩放倍数的倒数。
- max_abs_：一个数组，给出了每个特征的绝对值的最大值。
- n_samples_seen_：一个整数，给出了当前已经处理的样本的数量（用于分批训练）。
方法：参考MinMaxScaler 。

1.3.3 StandardScaler

StandardScaler实现了 z-score标准化，其原型为：
```
class sklearn.preprocessing.StandardScaler(copy=True, with_mean=True, with_std=True)
```
- copy：一个布尔值，指定是否拷贝数据。
- with_mean：一个布尔值，指定是否中心化。
  - 如果为True，则缩放之前先将每个特征中心化（即特征值减去该特征的均值）。
  - 如果元素数据是稀疏矩阵的形式，则不能指定with_mean=True 。
- with_std：一个布尔值，指定是否方差归一化。
  
  如果为True，则缩放每个特征到单位方差。
属性：
- scale_：一个数组，给出了每个特征的缩放倍数的倒数。
- mean_：一个数组，给出了原始数据每个特征的均值。
- var_：一个数组，给出了原始数据每个特征的方差。
- n_samples_seen_：一个整数，给出了当前已经处理的样本的数量（用于分批训练）。
方法：参考MinMaxScaler 。

1.4 正则化

Normalizer 实现了数据正则化，其原型为：
```
class sklearn.preprocessing.Normalizer(norm='l2', copy=True)
```
- norm：一个字符串，指定正则化方法。可以为：
  - 'l1'：采用范数正则化。
  - 'l2'：采用范数正则化。
  - 'max'：采用范数正则化。
- copy：一个布尔值，指定是否拷贝数据。
方法：
- fit(X[, y]) ：不作任何事情，主要用于为流水线Pipeline 提供接口。
- transform(X[, y, copy]) ：将每一个样本正则化为范数等于单位1。
- fit_transform(X[, y]) ：将每一个样本正则化为范数等于单位1。