使用Python进行数据预处理

1） 均值移除

保证特征均值为0，对数据进行标准化处理

from sklearn import preprocessing
data_std = preprocessing.scale(data)
print data_std.mean(axis=0)
#偏差
data_std.std(axis=0)

2)范围缩放至合理大小

data_scaler = preprocessing.MinMaxScaler(feature_range=(0, 1))
data_scaled = data_scaler.fit_transform(data)

3)归一化（将特征向量调整为L1范数）

data_normalized = preprocessing.normalize(data, norm='L1')

确保数据处于统一数量级，提高不同类别数据的可比性。

4）二值化（BInarization)

将数值特征向量转化为布尔向量

data_binarized = preprocessing.Binarizer(threshold=1.4).transform(data)

5)独热编码

用于稀疏的·散乱的分布的数据（One-Hot Encoding).

encoder = preprocessing.OneHotEncoder()
encoder.fit([0,1,2,12],[1,3,5,3],[2,3,2,12],[1,2,4,3])
encoded_vector = encoder.transform([[2,3,5,3]]).toarray()

6)标记编码方法，将文字标记转化为数值的形式

from sklearn import preprocessing
label_encoder = preprocessing.LabelEncoder()
calsses = ['apple', 'banana', 'pear']
label_encoder.fit(classes)#通过以上的操作完成编码
encoded_labels = [2,1,0,2]
decoded_labels = label_encoder.inverse_transform(encoded_lables)
#通过以上的操作将数字解码为文字