[Python数据挖掘]第4章数据预处理

Posted 2021-02-05 进击的小猴子

数据预处理主要包括数据清洗、数据集成、数据变换和数据规约，处理过程如图所示。

一、数据清洗

 1.缺失值处理：删除、插补、不处理

                 

 ## 拉格朗日插值代码（使用缺失值前后各5个未缺失的数据建模）

import pandas as pd #导入数据分析库Pandas
from scipy.interpolate import lagrange #导入拉格朗日插值函数

inputfile = \'../data/catering_sale.xls\' #销量数据路径
outputfile = \'../tmp/sales.xls\' #输出数据路径

data = pd.read_excel(inputfile) #读入数据
data[u\'销量\'][(data[u\'销量\'] < 400) | (data[u\'销量\'] > 5000)] = None #过滤异常值，将其变为空值

#自定义列向量插值函数
#s为列向量，n为被插值的位置，k为取前后的数据个数，默认为5
def ployinterp_column(s, n, k=5):
  y = s[list(range(n-k, n)) + list(range(n+1, n+1+k))] #取数
  y = y[y.notnull()] #剔除空值
  return lagrange(y.index, list(y))(n) #插值并返回插值结果

#逐个元素判断是否需要插值
for i in data.columns:
  for j in range(len(data)):
    if (data[i].isnull())[j]: #如果为空即插值。
      data[i][j] = ployinterp_column(data[i], j)

data.to_excel(outputfile) #输出结果，写入文件

 2.异常值处理

 3.数据变换

1）函数变换：将不具有正态分布的数据变换成正态分布的数据

2）规范化/归一化：消除不同量纲的影响

　　　　

零-均值规范化使用最多

 3）连续属性离散化：连续属性->分类属性

以“医学中中医证型的相关数据”为例

 4）属性构造：利用已有属性构造新的属性

以线损率为例

 4.数据规约

1）属性规约（纵向）：属性合并、删除无关属性

2）数值规约（横向）：选择替代的、娇小的数据来减少数据量，包括有参方法和无参方法

 5.Python主要数据预处理函数