机器学习（一）数据的预处理

import numpy as np                --数据分析库
import matplotlib.pyplot as plt   --绘图库
import pandas as pd               --数据集导入

dataset = pd.read_csv('Data.csv')    --读取数据集合(csv文件)

x = dataset.iloc[:,:-1].values    --自变量
    --iloc表示取数据（行，列） 所有行和除最后一列外的数据
y = dataset.iloc[:,:3].values    --因变量

--[]内数据的表示
    --[x：y，a]    x->起始位置，y->终止位置，a->需要处理的数据的位置

        这里使用的策略是使用当列的平均值代替缺失数据，此外常用的还有中位数，众数等方法

from sklearn.preprocessing import Imputer    --导入缺失数据处理类
imputer = Imputer(missing_values='NaN',strategy = 'mean',axis=0)    
    --参数含义：缺失数据，采用策略,作用对象为行/列
imputer = imputer.fit(x[:,1:3])    --数据拟合
x[:,1:3] = imputer.transform(x[:,1:3])

        将不同的类别转换为有意义的数值（例如利用bool、string）

from sklearn.preprocessing import LabelEncoder    --标签编码器，转义为数字
labelencoder_X = LabelEncoder();    --创建对象
x[:,0] = labelencoder_X.fit_transform(x[:,0])    --拟合+转换

        虚拟编码：将标签转变为编码，使其没有顺序区别

--需要和上面的转换代码混合使用
from sklearn.preprocessing import OneHotEncoder    --引入工具
onehotencoder = OneHotEncoder(categorical_features = [0])    --处理数据集的列号
x = onehotencoder.fit_transform(x).toarry()

from sklearn.model_selection import train_test_split    --引入工具
x_train,x_test,y_trian,y_test = train_test_split(x,y,test_size=0.2,random_state = 0)
    --参数：需要划分的数据，测试集比重(一般为0.2-0.25)，训练集比重(一般不单独赋值)，随机数生成方式
    --训练集的自变量、因变量 / 测试集的自变量、因变量

        ①用于解决欧氏距离遍历数量级差距过大的问题（若差距过大则会出现由数量关系中的某一组数据主导关系的存在）

                欧氏距离:(斜线公式)

        ②加速决策树的收敛

        如何进行特征缩放

                         mean--平均值        StanderDeviation--标准方差

                         x会得到一个平均值为0，标准方差为1的分布

                         0-1区间内的等比缩小

from sklearn.preprocessing import standerScaler    --导入工具
sc_x = standardScaler()        --类对象

x_train = sc_x.fit_transform(x_train)    --拟合+转换
x_test = sc_x.transform(x_test)    --已经拟合过了，直接转换

        一般的数据预处理很少用到缺失数据、分类数据，一般使用以下几步

                ①读取数据

                ②测试集和训练集分割

                ③特征缩放（部分情况需要使用）