python数据特征预处理

一、属性规约

在进行数据预处理的过程中，如果数据的某一列都是一样的或者属性是一样的，那么这一列对我们的预测没有帮助，应该将这一列去掉，pandas中如果某一列属性值相同，但是此列中有缺失值（NaN），pandas会默认其有两个属性，我们在进行此操作的过程中应该首先去掉缺失值，然后检查唯一性。代码如下；

orig_columns = loans_2007.columns
drop_columns = []
for col in orig_columns:
    col_series = loans_2007[col].dropna().unique()
    if len(col_series) == 1:
        drop_columns.append(col)
loans_2007 = loans_2007.drop(drop_columns, axis=1)

二、缺失值

用下面的代码进行缺失值查看数据中每一列的缺失值情况，对于缺失值比较多的列，可以直接删除，对于缺失值比较少的列可以删除其样本，或者填充其他值代替。

null_counts = loans.isnull().sum()

缺失值处理方法：

参考：https://www.zhihu.com/question/26639110

beh_tgt_mergeA.dropna(how='all')  #dropna默认丢弃任何含有缺失值的行，传入how='all'则之丢弃全为NaN的行或列
beh_tgt_mergeA.dropna(how='all',axis=1)  #丢弃列
beh_tgt_mergeA.dropna(thresh=3)  #另一个参数是thresh，该参数的类型为整数，thresh=3，会在一行中至少有 3 个非 NA 值时将其保留。
beh_tgt_mergeA.dropna(axis=1,thresh=3)  #保留至少存在3个非NaN的列

    df.dropna(subset=['C'])     # 只有当NaN出现在特定列(这里:“C”)时，才会删除行。  

检测数据集中是否有缺失值

# 第一种
np.isnan(appdata).any()

# 第二种
app_train.isnull().sum()

# 第三种
cols = avg_buro.columns
for col in cols:
    if avg_buro[col].isnull().sum() != 0:
        print(col)
print('No Missing')

1. np.random.seed(1234)
2. d1 = pd.Series(2*np.random.normal(size = 100)+3)
3. d2 = np.random.f(2,4,size = 100)
4. d3 = np.random.randint(1,100,size = 100)
6. d1.count() #非空元素计算
7. d1.min() #最小值
8. d1.max() #最大值
9. d1.idxmin() #最小值的位置，类似于R中的which.min函数
10. d1.idxmax() #最大值的位置，类似于R中的which.max函数
11. d1.quantile(0.1) #10%分位数
12. d1.sum() #求和
13. d1.mean() #均值
14. d1.median() #中位数
15. d1.mode() #众数
16. d1.var() #方差
17. d1.std() #标准差
18. d1.mad() #平均绝对偏差
19. d1.skew() #偏度
20. d1.kurt() #峰度
21. d1.describe() #一次性输出多个描述性统计指标

缺失值填充的几种方法：

# 均值填充
selectdata1['beta'] = selectdata1['beta'].fillna(selectdata1['beta'].mean())
# 众数填充
selectdata1['beta'] = selectdata1['beta'].fillna(selectdata1['beta'].mode())
# 前一个数填充
selectdata1['beta'] = selectdata1['beta'].fillna(method='pad') 
#后一个数填充
selectdata1['beta']=selectdata1['beta'].fillna(method='bfill')
#插值填充
selectdata1['beta']=selectdata1['beta'].interpolate()

对于一批数据来说，如果缺失值在40%~60%之间的话，可以将是否缺失作为一个特征；如果缺失超过70%，其实可以将这个特征删除，缺失值在20%~30%的，对于数值型数据，可以将填充众数，对于类别型数据，可以填充最多的类别。

data['EMI_Loan_Submitted_Missing'] = data['EMI_Loan_Submitted'].apply(lambda x: 1 if pd.isnull(x) else 0)

　　

三、字符转化

print(loans.dtypes.value_counts())
object_columns_df = loans.select_dtypes(include=["object"])  #选择字符型的属性

用上面的代码看每一列的属性，sklearn不能处理字符型的，只能接受数值型的。对于字符型的可以进行如下处理：

mapping_dict = {
    "emp_length": {
        "10+ years": 10,
        "9 years": 9,
        "8 years": 8,
        "7 years": 7,
        "6 years": 6,
        "5 years": 5,
        "4 years": 4,
        "3 years": 3,
        "2 years": 2,
        "1 year": 1,
        "< 1 year": 0,
        "n/a": 0
    }
}
loans = loans.replace(mapping_dict)
loans = loans.drop(["last_credit_pull_d", "earliest_cr_line", "addr_state", "title"], axis=1)
loans["int_rate"] = loans["int_rate"].str.rstrip("%").astype("float")

　对于能枚举的可以做一个字典，然后对数据做一个replace，对于有“%”的列，可以直接去掉百分号就好了。

 四、样本不均衡问题

1、数据增强

2、加权重项

（1）（lr = LogisticRegression(class_weight="balanced")）

（2）自己设置，传到class_weight中如下：

penalty = {
    0: 5,
    1: 1
}
lr = LogisticRegression(class_weight=penalty)

3、多个模型融合

 五、删除指定行

filtered1_beh_tgt_mergeA[(filtered1_beh_tgt_mergeA['var1639'].isin([121505.0,121504.0]))]
test = list(filtered1_beh_tgt_mergeA.var1639)
test.remove(121505.0)
test.remove(121504.0)
filtered1_beh_tgt_mergeA = filtered1_beh_tgt_mergeA[filtered1_beh_tgt_mergeA.var1639.isin(test)]