100天搞定机器学习（100-Days-Of-ML）（一）数据预处理

这是github一个开源项目，作者是Avik Jain，内容是从机器学习的基础概念起步，逐层递进，很适合初学者。github地址是https://github.com/Avik-Jain/100-Days-Of-ML-Code。截至到现在，已经有近16000多的star。

为了学习ML的实战技巧，跟着这个开源项目学习了一段时间，并贡献了一点issues。现在将自己的学习过程总结起来，仅供以后参考。

该项目前期用的是sklearn来学习各种ML的模型，但是对于时下火热的深度学习并没有多少的代码实战，可以这样说该项目是Avik Jain学习机器学习方面的步骤，很多知识点都是一句话带过（比如，今天深入学习了SVM，Day9 Got an intution on what SVM is and how it is used to solve Classification problem.）。

总结了一下，该项目中有关ML模型只有很少的一部分有代码实例：

有监督学习：1.数据预处理 2.简单线性回归 3.多元线性回归 4.逻辑回归 5.KNN 6.SVM支持向量机 7.决策树 8.随机森林 无监督学习：1.K-Means 2.层次聚类 将这些简单的机器学习实战总结，并给出sklearn中这些模型的相关解释。另外所有数据集可以从Avik Jain的github上下载。

第一天：数据预处理

数据预处理是机器学习的基础，完美的数据预处理会对模型的训练有着很大的帮助。实际场景下的数据集大多是比较复杂的，也有很多的噪音数据，缺失数据，如何解决这些数据集问题是十分重要的。

上面是Avik Jain给出的相关步骤，下面我们跟着这些步骤来操作。

第一步：导入库

import numpy as np
import pandas as pd

第二步：加载数据集

数据集如下：

dataset = pd.read_csv('E:/Data.csv') //读取数据集，这里是存放data的位置 X = dataset.iloc[ : , :-1].values // 这里是将data中 除 最后一列的（faatures）数据保存 Y = dataset.iloc[ : , 3].values //这里是将data最后一列（label）数据保存 print(X) print(Y)

打印X和Y查看具体的数据，方便理解
第三步：处理丢失数据

    from sklearn.preprocessing import Imputer   //导入sklearn的Imputer
    imputer = Imputer(missing_values = "NaN", strategy = "mean", axis = 0) 
    //创建一个Imputer实例，并设置处理丢失值的策略，这里使用的是数据的平均值
    imputer = imputer.fit(X[ : , 1:3]) //转换特征范围
    X[ : , 1:3] = imputer.transform(X[ : , 1:3]) //开始处理
    print(X) 和上面的数据对比可查看缺失值的变化
Tips：Imputer补充说明

    sklearn.preprocessing.Imputer(missing_values=’NaN’, strategy=’mean’, axis=0, verbose=0, copy=True)
    主要参数说明：
    missing_values:缺失值，可以为整数或NaN(缺失值numpy.nan用字符串‘NaN’表示)，默认为NaN
    strategy:缺失值替换策略，字符串，默认用均值mean替换
    (1)mean:用特征列的均值替换
    (2)median:用特征列的中位数替换
    (3)most_frequen:用特征列的众数替换
    axis:指定轴数，默认axis=0代表列，axis=1代表行
    verbose:整型，Controls the verbosity of the imputer
    copy:设置为True代表不在原数据集上修改，设置为False时，就地修改，存在如下情况时，即使设置为False时，也不会就地修改
    (1)X不是浮点值数组
    (2)X是稀疏且missing_values=0
    (3)axis=0且X为CRS矩阵
    (4)axis=1且X为CSC矩阵
第四步：解析分类数据（转换数据）

因为有的数据并不是数值型的，有的是字符串类型，需要进行标签转换和独热编码

```python
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
labelencoder_X = LabelEncoder() //创建 LabelEncoder实例
//转换特定的特征列 这里的第一列数据时国家，字符串类型，需要转换
X[ : , 0] = labelencoder_X.fit_transform(X[ : , 0]) 

onehotencoder = OneHotEncoder(categorical_features = [0]) //转换特定的特征列
X = onehotencoder.fit_transform(X).toarray()
labelencoder_Y = LabelEncoder()
Y =  labelencoder_Y.fit_transform(Y) //将标签yes no 转成成数值形式
print(X)
print(Y)

第五步：划分数据集

from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split( X , Y , test_size = 0.2, random_state = 0)

Tips：这里我们使用的是model_selection ，不同的python版本不一样，比如2.7版本可能使用的cross_validation

Tips：train_test_split补充说明

sklearn.model_selection.train_test_split(train_data,train_target,test_size=0.2, random_state=0)
主要参数说明：
train_data:待划分的样本集
train_target:待划分的样本集的标签集
test_size:样本占比，test数据集的占比 如果是整数，就是样本集的数量
random_state：是随机数的种子

第六步：特征缩放

从数据集看，我们发现不同的特征的特征值差别较大，salary和age，这样的数据集不利于训练模型。需要特征缩放。

from sklearn.preprocessing import StandardScaler
sc_X = StandardScaler()
X_train = sc_X.fit_transform(X_train)
X_test = sc_X.transform(X_test)

Tips：这里的StandardScaler是去均值和方差归一化，防止两个特征列中特征值的范围差距过大，从而导致的收敛速率变慢。

走到这里，那么代表机器学习的第一步我们已经走完了，接下里就可以进行相关的模型学习和训练实战了。