数据预处理

使用 scikit-learn 的监督学习

George Boorman

Core Curriculum Manager, DataCamp

scikit-learn 的要求

  • 数值型数据
  • 无缺失值

 

  • 对于真实世界数据：
    • 很少满足上述条件
    • 通常需要先进行预处理
使用 scikit-learn 的监督学习

处理分类特征

  • scikit-learn 默认不接受分类特征

  • 需将分类特征转换为数值

  • 转换为称为"虚拟变量"的二进制特征

    • 0：该观测不属于该类别

    • 1：该观测属于该类别

使用 scikit-learn 的监督学习

虚拟变量

包含 Electronic、Hip-Hop、Rock 在内的 11 个流派列表

使用 scikit-learn 的监督学习

虚拟变量

一个网格：列为流派，值为 0/1；1 表示该歌曲属于该流派，0 表示不属于

使用 scikit-learn 的监督学习

虚拟变量

一个仅含 0/1 的网格，且无 Rock 流派列

使用 scikit-learn 的监督学习

在 Python 中处理分类特征

  • scikit-learn：OneHotEncoder()

  • pandas：get_dummies()

使用 scikit-learn 的监督学习

音乐数据集

  • popularity：目标变量
  • genre：分类特征
print(music.info())

     popularity    acousticness    danceability    ...    tempo         valence    genre
0    41.0          0.6440          0.823           ...    102.619000    0.649      Jazz
1    62.0          0.0855          0.686           ...    173.915000    0.636      Rap
2    42.0          0.2390          0.669           ...    145.061000    0.494      Electronic
3    64.0          0.0125          0.522           ...    120.406497    0.595      Rock
4    60.0          0.1210          0.780           ...    96.056000     0.312      Rap
使用 scikit-learn 的监督学习

含分类特征的 EDA

按流派展示受欢迎度的箱线图

使用 scikit-learn 的监督学习

编码虚拟变量

import pandas as pd

music_df = pd.read_csv('music.csv')

music_dummies = pd.get_dummies(music_df["genre"], drop_first=True)

print(music_dummies.head())

     Anime    Blues    Classical    Country    Electronic    Hip-Hop    Jazz    Rap    Rock
0    0        0        0            0          0             0          1       0      0
1    0        0        0            0          0             0          0       1      0
2    0        0        0            0          1             0          0       0      0
3    0        0        0            0          0             0          0       0      1
4    0        0        0            0          0             0          0       1      0

music_dummies = pd.concat([music_df, music_dummies], axis=1)

music_dummies = music_dummies.drop("genre", axis=1)
使用 scikit-learn 的监督学习

编码虚拟变量

music_dummies = pd.get_dummies(music_df, drop_first=True)

print(music_dummies.columns)

Index(['popularity', 'acousticness', 'danceability', 'duration_ms', 'energy',
       'instrumentalness', 'liveness', 'loudness', 'speechiness', 'tempo',
       'valence', 'genre_Anime', 'genre_Blues', 'genre_Classical',
       'genre_Country', 'genre_Electronic', 'genre_Hip-Hop', 'genre_Jazz',
       'genre_Rap', 'genre_Rock'],
      dtype='object')
使用 scikit-learn 的监督学习

含虚拟变量的线性回归

from sklearn.model_selection import cross_val_score, KFold
from sklearn.linear_model import LinearRegression
X = music_dummies.drop("popularity", axis=1).values
y = music_dummies["popularity"].values
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, 
                                                    random_state=42)

kf = KFold(n_splits=5, shuffle=True, random_state=42)

linreg = LinearRegression()

linreg_cv = cross_val_score(linreg, X_train, y_train, cv=kf,
                            scoring="neg_mean_squared_error")

print(np.sqrt(-linreg_cv))

[8.15792932, 8.63117538, 7.52275279, 8.6205778, 7.91329988]
使用 scikit-learn 的监督学习

开始练习吧！

使用 scikit-learn 的监督学习

Preparing Video For Download...