python大战机器学习——数据预处理

Posted 2020-10-08

　　数据预处理的常用流程：

　　　　1）去除唯一属性

　　　　2）处理缺失值

　　　　3）属性编码

　　　　4）数据标准化、正则化

　　　　5）特征选择

　　　　6）主成分分析

（1）去除唯一属性

　　在获取的数据集中，经常会遇到唯一属性。这些属性通常是添加的一些di属性，如存放在数据库中自增的主键。这些属性并不能刻画样本自身的分布规律，所以只需要简单地删除这些属性即可。

（2）处理缺失值的三种方法

　　1）直接使用含有缺失值的特征  2）删除含有缺失值的特征  3）缺失值补全

　　1）直接使用：对于某些算法可以直接使用含有缺失值的情况。如决策树。

　　2）特征删除：最简单的办法就是删除含有缺失值的特征。对于只有少量值缺失的情况来说，这并不是一个好的办法

　　3）缺失值补全：用最可能的值来插补缺失值，在实际工程中应用最广泛。最常见的集中方法有：a均值插补  b用同类均值插补  c建模预测  d高维映射  e多重插补  f极大似然估计  g压缩感知及矩阵补全

a.均值插补

　　若缺失的是连续值，则以该属性有效值的平均值来插补缺失的值；若缺失值为离散值，则以该属性有效值的众数来插补缺失的值

b.同类均值插补

　　首先将样本进行分类，然后以该类中样本的均值来插补缺失值

c.建模预测

　　将缺失的属性作为预测目标来预测。这种方法效果较好，但是该方法有个根本的缺陷：如果其他属性和缺失属性无关，则预测的结果毫无意义。但是如果预测结果相当准确，则说明这个缺失属性是没必要考虑纳入数据集中的。一般情况是介于两者之间的。

d.高维映射

　　将属性映射到高维空间。这种做法是最精确的做法，它完全保留了所有的信息，也未增加任何额外的信息。比如google、百度的CTR预估模型，预处理时会把所有变量都这样处理，达到几亿维。这样做的好处是完整保留了原始数据的全部信息、不用考虑缺失值。但它的缺点也很明显，就是计算量大大提升。而且只要在样本量非常大的时候效果才好，否则会因为过于稀疏，效果很差

e.多重插补

　　其认为待插补的值时随机的，它的值来自于已观测到的值。具体实践上通常是估计出待插补的值，然后再加上不同的噪声，形成多组可选插补值。

f.压缩感知及矩阵补全