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()
缺失值处理方法：
beh_tgt_mergeA.dropna(how='all') #dropna默认丢弃任何含有缺失值的行，传入how='all'则之丢弃全为NaN的行或列 beh_tgt_mergeA.dropna(how='all',axis=1) #丢弃列 beh_tgt_mergeA.dropna(thresh=3) #另一个参数是thresh，该参数的类型为整数，thresh=3，会在一行中至少有 3 个非 NA 值时将其保留。 beh_tgt_mergeA.dropna(axis=1,thresh=3) #保留至少存在3个非NaN的列
df.dropna(subset=['C']) # 只有当NaN出现在特定列(这里:“C”)时，才会删除行。
np.random.seed(1234)d1 = pd.Series(2*np.random.normal(size = 100)+3)d2 = np.random.f(2,4,size = 100)d3 = np.random.randint(1,100,size = 100)d1.count() #非空元素计算d1.min() #最小值d1.max() #最大值d1.idxmin() #最小值的位置，类似于R中的which.min函数d1.idxmax() #最大值的位置，类似于R中的which.max函数d1.quantile(0.1) #10%分位数d1.sum() #求和d1.mean() #均值d1.median() #中位数d1.mode() #众数d1.var() #方差d1.std() #标准差d1.mad() #平均绝对偏差d1.skew() #偏度d1.kurt() #峰度d1.describe() #一次性输出多个描述性统计指标
对于一批数据来说，如果缺失值在40%~60%之间的话，可以将是否缺失作为一个特征；如果缺失超过70%，其实可以将这个特征删除，缺失值在20%~30%的，对于数值型数据，可以将填充众数，对于类别型数据，可以填充最多的类别。
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