python数据预处理

Posted 2020-11-04 nunca

一、属性规约

在进行数据预处理的过程中，如果数据的某一列都是一样的或者属性是一样的，那么这一列对我们的预测没有帮助，应该将这一列去掉，pandas中如果某一列属性值相同，但是此列中有缺失值（NaN），pandas会默认其有两个属性，我们在进行此操作的过程中应该首先去掉缺失值，然后检查唯一性。代码如下；

orig_columns = loans_2007.columns
drop_columns = []
for col in orig_columns:
    col_series = loans_2007[col].dropna().unique()
    if len(col_series) == 1:
        drop_columns.append(col)
loans_2007 = loans_2007.drop(drop_columns, axis=1)

二、缺失值

用下面的代码进行缺失值查看数据中每一列的缺失值情况，对于缺失值比较多的列，可以直接删除，对于缺失值比较少的列可以删除其样本，或者填充其他值代替。

null_counts = loans.isnull().sum()

三、字符转化

print(loans.dtypes.value_counts())
object_columns_df = loans.select_dtypes(include=["object"])  #选择字符型的属性

用上面的代码看每一列的属性，sklearn不能处理字符型的，只能接受数值型的。对于字符型的可以进行如下处理：

mapping_dict = {
    "emp_length": {
        "10+ years": 10,
        "9 years": 9,
        "8 years": 8,
        "7 years": 7,
        "6 years": 6,
        "5 years": 5,
        "4 years": 4,
        "3 years": 3,
        "2 years": 2,
        "1 year": 1,
        "< 1 year": 0,
        "n/a": 0
    }
}
loans = loans.replace(mapping_dict)
loans = loans.drop(["last_credit_pull_d", "earliest_cr_line", "addr_state", "title"], axis=1)
loans["int_rate"] = loans["int_rate"].str.rstrip("%").astype("float")

　对于能枚举的可以做一个字典，然后对数据做一个replace，对于有“%”的列，可以直接去掉百分号就好了。

 四、样本不均衡问题

1、数据增强

2、加权重项

（1）（lr = LogisticRegression(class_weight="balanced")）

（2）自己设置，传到class_weight中如下：

penalty = {
    0: 5,
    1: 1
}
lr = LogisticRegression(class_weight=penalty)

3、多个模型融合