超級實用！如何為機器學習算法準備資料？

本文為《Scikit-Learn 和 TensorFlow 機器學習指南》的第二章的第 3 講：為機器學習算法準備資料。

1. 使用實際資料

2. 整體規劃

3. 擷取資料

4. 發現、可視化資料，增加直覺印象

5. 為機器學習準備資料

6. 選擇模型并進行訓練

7. 調試模型

8. 部署、監控、維護系統

第二章前 2 講的位址如下：

如何入手第一個機器學習項目？ 如何從資料可視化中發現資料規律？

筆記盡量突出重點，提煉關鍵知識點。正文開始！

資料清洗（處理缺失值）

對于資料集中出現缺失值的情況，需要對其進行處理。對缺失值常用的三種方法是：

• 丢棄有缺失值的樣本
• 丢棄有缺失值的整個特征
• 對缺失值進行填充（補零、均值填充或中位數填充等）

三種方法相應的代碼如下：

housing.dropna(subset=["total_bedrooms"])    # option 1
housing.drop("total_bedrooms", axis=1)       # option 2
median = housing["total_bedrooms"].median()
housing["total_bedrooms"].fillna(median, inplace=True) # option 3      

一般 option 3 應用更為廣泛。值得注意的是，應該保留訓練樣本的 median 值，測試樣本中的缺失值将以此 median 值進行填充。

在 Scikit-Learn 中提供了 Imputer 類，進行缺失值處理。示例代碼如下：

from sklearn.preprocessing import Imputer
imputer = Imputer(strategy="median")
housing_num = housing.drop('ocean_proximity', axis=1)
imputer.fit(housing_num)
X = imputer.transform(housing_num)
housing_tr = pd.DataFrame(X, columns=housing_num.columns)      

處理文字或類别屬性

本章的波士頓房價問題中，ocean_proximity 屬性是非數值的字元屬性，是以無法進行中位數填充。該屬性如下所示：

['<1H OCEAN' 'INLAND' 'ISLAND' 'NEAR BAY' 'NEAR OCEAN']

你可以直接使用下面代碼，将字元屬性轉換成數值屬性：

from sklearn.preprocessing import OrdinalEncoder
housing_cat = housing[['ocean_proximity']]
ordinal_encoder = OrdinalEncoder()
housing_cat_encoded = ordinal_encoder.fit_transform(housing_cat)
housing_cat_encoded[:10]
housing_cat_encoded[:10]      

array([[ 0.],

       [ 0.],

       [ 4.],

       [ 1.],

       [ 0.]])

更友善地，還可以直接将字元屬性轉換為 one-hot 編碼：

from sklearn.preprocessing import OneHotEncoder
cat_encoder = OneHotEncoder(sparse=False)
housing_cat_1hot = cat_encoder.fit_transform(housing_cat)
housing_cat_1hot      

array([[ 1.,  0.,  0.,  0.,  0.],

       [ 1.,  0.,  0.,  0.,  0.],

       [ 0.,  0.,  0.,  0.,  1.],

       ..., 

       [ 0.,  1.,  0.,  0.,  0.],

       [ 0.,  0.,  0.,  1.,  0.]])

自定義轉換器

雖然 Scikit-Learn 已經提供了許多有用的轉換器，但是你仍然可以編寫自己的轉換器，例如特定屬性組合。自定義轉換器很簡單，隻需要建立一個類，然後實作以下三個方法：fit（）（傳回自身）、transform（）、fit_transform（）。如果添加 TransformerMixin 作為基類，就可以直接得到最後一個方法。同時，如果添加 BaseEstimator 作為基類（并在構造函數中避免 *args 和 **kargs），你還能額外獲得兩個非常有用的自動調整超參數的方法 get_params（）和 set_params（）。

下面是自定義轉換器，添加組合屬性的例子：

from sklearn.base import BaseEstimator, TransformerMixin
# column index
rooms_ix, bedrooms_ix, population_ix, household_ix = 3, 4, 5, 6
class CombinedAttributesAdder(BaseEstimator, TransformerMixin):
   def __init__(self, add_bedrooms_per_room = True): # no *args or **kargs
       self.add_bedrooms_per_room = add_bedrooms_per_room
   def fit(self, X, y=None):
       return self  # nothing else to do
   def transform(self, X, y=None):
       rooms_per_household = X[:, rooms_ix] / X[:, household_ix]
       population_per_household = X[:, population_ix] / X[:, household_ix]
       if self.add_bedrooms_per_room:
           bedrooms_per_room = X[:, bedrooms_ix] / X[:, rooms_ix]
           return np.c_[X, rooms_per_household, population_per_household,
                        bedrooms_per_room]
       else:
           return np.c_[X, rooms_per_household, population_per_household]
attr_adder = CombinedAttributesAdder(add_bedrooms_per_room=False)
housing_extra_attribs = attr_adder.transform(housing.values)      

特征縮放

不同的特征屬性範圍不一，容易給訓練造成困難，增加訓練時間。是以，一般會對不同特征進行同尺度縮放。常用的兩種方式是歸一化和标準化。

歸一化很簡單：将值重新縮放于 0 到 1 之間。實作方法是将值減去最小值并除以最大值和最小值的差。對此，Scikit-Learn 提供了一個名為 MinMaxScaler 的轉換器。如果希望範圍不是 0～1，可以通過調整超參數 feature_range 進行更改。

标準化的做法是首先減去平均值（是以标準化值的均值總是零），然後除以方差。不同于歸一化，标準化不将值綁定到特定範圍，對某些算法而言，這可能是個問題（例如，神經網絡期望的輸入值範圍通常是0到1）。但是标準化的方法受異常值的影響更小。Scikit-Learn 提供了一個标準化的轉換器 StandadScaler。

管道 Pipeline

我們可以把機器學習算法中許多轉換操作使用管道 pipeline 統一順序進行。Scikit-Learn 正好提供了 Pipeline 來支援這樣的轉換。下面是一個數值屬性的流水線例子：

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
num_pipeline = Pipeline([
       ('imputer', Imputer(strategy="median")),
       ('attribs_adder', CombinedAttributesAdder()),
       ('std_scaler', StandardScaler()),
   ])
housing_num_tr = num_pipeline.fit_transform(housing_num)      

以上是數值型的 Pipeline 處理過程。對于非數值型的字元屬性，可以建立一個新的完整的 Pipeline，将上面的 num_pipeline 和字元屬性的轉換整合到一個 Pipeline 中，如下所示：

from sklearn.compose import ColumnTransformer
num_attribs = list(housing_num)
cat_attribs = ["ocean_proximity"]
full_pipeline = ColumnTransformer([
       ("num", num_pipeline, num_attribs),
       ("cat", OneHotEncoder(), cat_attribs),
   ])
housing_prepared = full_pipeline.fit_transform(housing)