数据清洗处理-常用操作

ゝ一世哀愁。 2023-07-18 05:49 259阅读 0赞

介绍一些常见的数据处理操作及代码实现

内容包括：  
数据内存缩小  
重复值处理  
缺失值处理  
异常值处理  
标准化  
特征二值化  
多项式特征构建  
类别特征编码

1.数据转存，缩小内存

def reduce_mem_usage(df):
        """ iterate through all the columns of a dataframe and modify the data type to reduce memory usage. """
        start_mem = df.memory_usage().sum() 
        print('Memory usage of dataframe is {:.2f} MB'.format(start_mem))
        for col in df.columns:
            col_type = df[col].dtype
            
            if col_type != object:
                c_min = df[col].min()
                c_max = df[col].max()
                if str(col_type)[:3] == 'int':
                    if c_min > np.iinfo(np.int8).min and c_max < np.iinfo(np.int8).max:
                        df[col] = df[col].astype(np.int8)
                    elif c_min > np.iinfo(np.int16).min and c_max < np.iinfo(np.int16).max:
                        df[col] = df[col].astype(np.int16)
                    elif c_min > np.iinfo(np.int32).min and c_max < np.iinfo(np.int32).max:
                        df[col] = df[col].astype(np.int32)
                    elif c_min > np.iinfo(np.int64).min and c_max < np.iinfo(np.int64).max:
                        df[col] = df[col].astype(np.int64)  
                else:
                    if c_min > np.finfo(np.float16).min and c_max < np.finfo(np.float16).max:
                        df[col] = df[col].astype(np.float16)
                    elif c_min > np.finfo(np.float32).min and c_max < np.finfo(np.float32).max:
                        df[col] = df[col].astype(np.float32)
                    else:
                        df[col] = df[col].astype(np.float64)
            else:
                df[col] = df[col].astype('category')
    	end_mem = df.memory_usage().sum() 
        	print('Memory usage after optimization is: {:.2f} MB'.format(end_mem))
        	print('Decreased by {:.1f}%'.format(100 * (start_mem - end_mem) / start_mem))
        	return df
        
     sample_feature = reduce_mem_usage(pd.read_csv('data_for_tree.csv'))

# 数据清洗常用操作
    # 重复值处理
    print('存在' if any(train_data.duplicated()) else '不存在', '重复观测值')
    train_data.drop_duplicates()
    #缺失值处理
    print('存在' if any(train_data.isnull()) else '不存在', '缺失值')
    train_data.dropna()  # 直接删除记录
    train_data.fillna(method='ffill')  # 前向填充
    train_data.fillna(method='bfill')  # 后向填充
    train_data.fillna(value=2)  # 值填充
    train_data.fillna(value={ 'sepal length (cm)':train_data['sepal length (cm)'].mean()})  # 统计值填充
    train_data['Fare'] = train_data[['Fare']].fillna(train_data.groupby('Pclass').transform(np.mean))#使用其他特征groupby后的均值进行填充
    # 缺失值插补
    x = [[np.nan, '1', '3'], [np.nan, '3', '5']]
    imputer = preprocessing.Imputer(missing_values='NaN', strategy='mean', axis=1)
    y = imputer.fit_transform(x)
    
    
    # 异常值处理
    data1 = train_data['sepal length (cm)']
    # 标准差监测
    xmean = data1.mean()
    xstd = data1.std()
    print('存在' if any(data1>xmean+2*xstd) else '不存在', '上限异常值')
    print('存在' if any(data1<xmean-2*xstd) else '不存在', '下限异常值')
    # 箱线图监测
    q1 = data1.quantile(0.25)
    q3 = data1.quantile(0.75)
    up = q3+1.5*(q3-q1)
    dw = q1-1.5*(q3-q1)
    print('存在' if any(data1> up) else '不存在', '上限异常值')
    print('存在' if any(data1< dw) else '不存在', '下限异常值')
    data1[data1>up] = data1[data1<up].max()
    data1[data1<dw] = data1[data1>dw].min()
    
    
    标准化
    # 0-1标准化
    X_train_minmax = preprocessing.minmax_scale(train_data, feature_range=(0, 1), axis=0, copy=True)  # 直接用标准化函数
    min_max_scaler = preprocessing.MinMaxScaler()  # 也可以用标准化类，然后调用方法
    X_train_minmax2 = min_max_scaler.fit_transform(train_data)
    # z-score标准化
    X_train_zs = preprocessing.scale(train_data, axis=0, with_mean=True, with_std=True, copy=True)  # 直接用标准化函数
    zs_scaler = preprocessing.StandardScaler()  # 也可以用标准化类，然后调用方法
    X_train_zs2 = zs_scaler.fit_transform(train_data)
    # 归一化处理
    X_train_norm = preprocessing.normalize(train_data, norm='l2', axis=1)  # 直接用标准化函数
    normalizer = preprocessing.Normalizer()  # 也可以用标准化类，然后调用方法
    X_train_norm2 = normalizer.fit_transform(train_data)
    
    
    # 数据的缩放比例为绝对值最大值，并保留正负号，即在区间[-1, 1]内。
    #唯一可用于稀疏数据scipy.sparse的标准化
    X_train_ma = preprocessing.maxabs_scale(X, axis=0, copy=True)
    # 通过 Interquartile Range(IQR) 标准化数据，即四分之一和四分之三分位点之间
    X_train_rb = preprocessing.robust_scale(train_data, axis=0,
                                            with_centering=True, with_scaling=True, copy=True)
    # 二值化
    # 按照阈值threshold将数据转换成成0-1,小于等于threshold为 0
    X_train_binary = preprocessing.binarize(train_data, threshold=0, copy=True)

**特征二值化**，  
给定特征将特征转化为0/1

binarizer = sklearn.preprocessing.Binarizer(threshold=1.1)
    binarizer.transform(X)

**多项式特征构建**：

poly = sklearn.preprocessing.PolynomialFeatures(2)
    poly.fit_transform(X)

![在这里插入图片描述][20200324150858597.png]

**对于类别特征需要进行编码  
常见编码方式有LabelEncoder、OneHotEncoder，以及针对高数量类别特征编码-- 均值编码**

其中：LabelEncoder能够接收不规则的特征列，并将其转化为从到的整数值（假设一共有种不同的类别）；OneHotEncoder则能通过哑编码，制作出一个m\*n的稀疏矩阵（假设数据一共有m行，具体的输出矩阵格式是否稀疏可以由sparse参数控制）  
还有针对高数量类别特征编码-- 均值编码

from sklearn.preprocessing import OneHotEncoder, LabelEncoder
    import numpy as np
    import pandas as pd
    le = LabelEncoder()
    data_df['street_address'] = le.fit_transform(data_df['street_address'])
    
    ohe = OneHotEncoder(n_values='auto', categorical_features='all',dtype=np.float64, sparse=True, handle_unknown='error')
    one_hot_matrix = ohe.fit_transform(data_df['street_address'])

对于均值编码实现，可参考https://blog.csdn.net/juzexia/article/details/78581462

#  #

参考：  
https://blog.csdn.net/Trisyp/article/details/89371094  
https://blog.csdn.net/RivenDong/article/details/100120333?depth\_1-utm\_source=distribute.pc\_relevant.none-task&utm\_source=distribute.pc\_relevant.none-task

[20200324150858597.png]: /images/20230528/91969a38231a4ee2b68ee0452bcfa1f0.png