有个叫Avik Jain的老外在github上发起了一个100天学习机器学习的项目，每天花一个小时学习机器学习，学习内容由浅入深。今天是第一天，内容是如何进行数据预处理。该教程的编程语言是Python。
数据预处理分为6步：
第一步：导入NumPy和Pandas库。NumPy和Pandas是每次都要导入的库，其中Numpy包含了数学计算函数，Pnadas是一个用于导入和管理数据集(Data Sets)的类库。
第二步：导入数据集。数据集一般都是.csv格式，csv文件以文本形式存储数据。每一行数据是一条记录。我们使用pandas类库的read_csv方法读取本地的csv文件作为一个dataframe。然后从datafram中分别创建自变量和因变量的矩阵和向量。
第三步：处理缺失的数据。我们得到的数据很少是完整的。数据可能因为各种原因丢失，为了不降低机器学习模型的性能，需要处理数据。我们可以用整列的平均值或者中间值替换丢失的数据。我们用sklearn.preprocessing库中的Inputer类完成这项任务。
第四步：对分类数据进行编码。分类数据指的是含有标签值而不是数字值得变量。取值范围通常是固定的。例如“YES”和“NO”不能用于模型的数学计算，所以需要编码成数字。为数显这一功能，我们从sklearn.preprocessing库中导入LabelEncoder类。
第五步：拆分数据集为测试集合和训练集合。把数据集拆分成两个，一个是用来训练模型的训练集合，另一个是用来验证模型的测试集合。两种比例一般是80:20。我们导入sklearn.crossvalidation库中的train_test_split()方法。
第六步：特征缩放。大部分模型算法使用两点间的欧式近距离表示，但此特征在幅度、单位和范围姿态问题上变化很大。在距离计算中，高幅度的特征比低幅度特征权重大。可用特征标准化或Z值归一化解决。导入sklearn.preprocessing库的StandardScalar类。
代码如下：
1 1: 导入类库 2 3 import numpy as np 4 import pandas as pd 5 6 2: 导入数据集 7 dataset = pd.read_csv('Data.csv') 8 X = dataset.iloc[ : , :-1].values 9 Y = dataset.iloc[ : , 3].values 10 11 3: 处理缺失的数据 12 from sklearn.preprocessing import Imputer 13 imputer = Imputer(missing_values = "NaN", strategy = "mean", axis = 0) 14 imputer = imputer.fit(X[ : , 1:3]) 15 X[ : , 1:3] = imputer.transform(X[ : , 1:3]) 16 17 Step 4:编码分类数据 18 from sklearn.preprocessing import LabelEncoder, OneHotEncoder 19 labelencoder_X = LabelEncoder() 20 X[ : , 0] = labelencoder_X.fit_transform(X[ : , 0]) 21 Creating a dummy variable 22 23 onehotencoder = OneHotEncoder(categorical_features = [0]) 24 X = onehotencoder.fit_transform(X).toarray() 25 labelencoder_Y = LabelEncoder() 26 Y = labelencoder_Y.fit_transform(Y) 27 28 Step 5: 切分数据集成训练数据和测试数据 29 from sklearn.cross_validation import train_test_split 30 X_train, X_test, Y_train, Y_test = train_test_split( X , Y , test_size = 0.2, random_state = 0) 31 32 Step 6: 特征缩放 33 from sklearn.preprocessing import StandardScaler 34 sc_X = StandardScaler() 35 X_train = sc_X.fit_transform(X_train) 36 X_test = sc_X.fit_transform(X_test)
本教程的测试数据请关注本人的公众号获取：
