[Python数据挖掘]第4章、数据预处理

时间:2022-03-19 06:53:41

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。

[Python数据挖掘]第4章、数据预处理

一、数据清洗

1.缺失值处理:删除、插补、不处理

[Python数据挖掘]第4章、数据预处理

## 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

[Python数据挖掘]第4章、数据预处理

2.异常值处理

[Python数据挖掘]第4章、数据预处理

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

[Python数据挖掘]第4章、数据预处理

[Python数据挖掘]第4章、数据预处理  [Python数据挖掘]第4章、数据预处理  [Python数据挖掘]第4章、数据预处理

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

[Python数据挖掘]第4章、数据预处理

[Python数据挖掘]第4章、数据预处理

[Python数据挖掘]第4章、数据预处理

4)属性构造:利用已有属性构造新的属性

以线损率为例

[Python数据挖掘]第4章、数据预处理

4.数据规约

1)属性规约(纵向):属性合并、删除无关属性

[Python数据挖掘]第4章、数据预处理

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

[Python数据挖掘]第4章、数据预处理