Scikit-learn 常用数据预处理语句说明

将矩阵拉平成向量

1
2
3
4
5
6
7
8
>> digits = datasets.load_digits()
>> digits.images.shape
(1797, 8, 8)
>>>data = digits.images.reshape((digits.images.shape[0],-1))
>> digits.images.shape
(1797, 64)

乱序化数据

1
2
3
4
5
6
7
8
9
import time
np.random.seed(int(time.time()))
# np.random.seed(0)
indices = np.random.permutation(len(iris_X))
iris_X_train = iris_X[indices[:-10]]
iris_y_train = iris_y[indices[:-10]]
iris_X_test = iris_X[indices[-10:]]
iris_y_test = iris_y[indices[-10:]]

数据去重 np.unique

1
2
3
4
5
6
7
>> import numpy as np
>> from sklearn import datasets
>> iris = datasets.load_iris()
>> iris_X = iris.data
>> iris_y = iris.target
>> np.unique(iris_y)
array([0, 1, 2])

标准化(Z-Score),去除均值和方差缩放

公式为:(X-mean)/std 计算时对每个属性/每列分别进行。
将数据按期属性(按列进行)减去其均值,并处以其方差。得到的结果是,对于每个属性/每列来说所有数据都聚集在0附近,方差为1。

实现时,有两种不同的方式:

  • 使用sklearn.preprocessing.scale()函数,可以直接将给定数据进行标准化。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    >>> from sklearn import preprocessing
    >>> import numpy as np
    >>> X = np.array([[ 1., -1., 2.],
    ... [ 2., 0., 0.],
    ... [ 0., 1., -1.]])
    >>> X_scaled = preprocessing.scale(X)
    >>> X_scaled
    array([[ 0. ..., -1.22..., 1.33...],
    [ 1.22..., 0. ..., -0.26...],
    [-1.22..., 1.22..., -1.06...]])
    >>>#处理后数据的均值和方差
    >>> X_scaled.mean(axis=0)
    array([ 0., 0., 0.])
    >>> X_scaled.std(axis=0)
    array([ 1., 1., 1.])
  • 使用sklearn.preprocessing.StandardScaler类,使用该类的好处在于可以保存训练集中的参数(均值、方差)直接使用其对象转换测试集数据。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    >>> scaler = preprocessing.StandardScaler().fit(X)
    >>> scaler
    StandardScaler(copy=True, with_mean=True, with_std=True)
    >>> scaler.mean_
    array([ 1. ..., 0. ..., 0.33...])
    >>> scaler.std_
    array([ 0.81..., 0.81..., 1.24...])
    >>> scaler.transform(X)
    array([[ 0. ..., -1.22..., 1.33...],
    [ 1.22..., 0. ..., -0.26...],
    [-1.22..., 1.22..., -1.06...]])
    >>>#可以直接使用训练集对测试集数据进行转换
    >>> scaler.transform([[-1., 1., 0.]])
    array([[-2.44..., 1.22..., -0.26...]])

求矩阵最大值的坐标

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
In [1]: import numpy as np
In [2]: x = np.array([[1,2,3],[6,5,4],[7,9,8]])
In [3]: x
Out[3]:
array([[1, 2, 3],
[6, 5, 4],
[7, 9, 8]])
In [4]: re = np.where(x == np.max(x))
In [5]: print re
(array([2]), array([1]))
In [6]: x[0:0]=9
In [7]: re = np.where(x == np.max(x))
In [8]: print re
(array([2]), array([1]))

每行每列最大值坐标

1
2
3
4
5
6
7
8
9
10
11
12
In [15]: x
Out[15]:
array([[9, 2, 3],
[6, 5, 4],
[7, 9, 8]])
# 每行最大值
In [16]: np.amax(x, axis=1)
Out[16]: array([9, 6, 9])
# 每列最大值
In [17]: np.amax(x, axis=0)
Out[17]: array([9, 9, 8])

每行每列最大值位置

1
2
3
4
5
6
7
8
9
10
11
12
13
14
In [18]: re = np.where(x[1,:] == np.max(x[1,:]))
In [19]: print re
(array([0]),)
In [20]: re = np.where(x[0,:] == np.max(x[0,:]))
In [21]: print re
(array([0]),)
In [22]: re = np.where(x[2,:] == np.max(x[2,:]))
In [23]: print re
(array([1]),)

快速求一行或一列最大值

1
2
3
4
5
6
7
8
9
10
>>> a = np.arange(4).reshape((2,2))
>>> a
array([[0, 1],
[2, 3]])
>>> np.amax(a) # Maximum of the flattened array
3
>>> np.amax(a, axis=0) # Maxima along the first axis
array([2, 3])
>>> np.amax(a, axis=1) # Maxima along the second axis
array([1, 3])

补充

1
2
np.vstack
np.c_

参考资料

[1] 关于使用sklearn进行数据预处理 —— 归一化/标准化/正则化