目录

函数sklearn.preprocessing.Binarizer

函数preprocessing.KBinsDiscretizer

encode="ordinal"

encode="onehot"

处理糖尿病数据集

导入数据

缺失值统计

缺失值填补

标签转换

处理连续型数据

函数sklearn.preprocessing.Binarizer

根据阈值将数据二值化（将特征值设置为0或1），用于处理连续型变量。大于阈值的值映射为1，而小于或等于阈值的值映射为0。

sklearn.preprocessing.Binarizer(threshold=0.0, copy=True)

X = [[ -3., 5., 15 ],
     [  0., 6., 14 ],
     [  6., 3., 11 ]]

print(type(X))

test=Binarizer(threshold=6).fit_transform(X)
print(test)

函数preprocessing.KBinsDiscretizer

class sklearn.preprocessing.KBinsDiscretizer(n_bins=5, 
                                             encode='onehot', 
                                             strategy='quantile'
                                             )

encode="ordinal"

encode="onehot"

X = np.array([[ -3., 5., 15 ],
              [  0., 6., 14 ],
          	  [  6., 3., 11 ]])
X=X.reshape(-1,1)
print(X)
est = KBinsDiscretizer(n_bins=3,encode='onehot').fit(X)
print(est.fit_transform(X))

print(est.fit_transform(X).toarray())

处理糖尿病数据集

导入数据

函数read_excel

data = pd.read_excel('./input/diabetes_missing_value.xlsx')

缺失值统计

print(data.isnull().sum())

缺失值填补

主要是两种方式

缺失值较少时直接用中值填补

data["plas"] = data["plas"].fillna(data["plas"].median())

缺失值较多时，用热力图查看与该特征关联度较大的几个特征，根据这几个特征求取中值，没有时求取直接使用整段中值

#skin的缺失值比较多  通过热力图可以看出skin和mass、pres、plas三种数据相关性较大
# Filling missing value of skin
index_NaN_age = list(data["skin"][data["skin"].isnull()].index)
#注意这里的空置表示方式:dataset['skin'][dataset.skin.isnull()].index,属性后面紧跟着一个[筛选条件].index,返回的是raw序号.
for i in index_NaN_age :
    skin_med = data["skin"].median()#非空skin 值的中位数
    skin_pred = data["skin"][((data['mass'] == data.iloc[i]["mass"]) & (data['pres'] == data.iloc[i]["pres"]) & (data['plas'] == data.iloc[i]["plas"]))].median()#在所有的记录中,寻找与Age为空值记录,SibSp\Parch\Pclass都想同的记录,例如有5条,取这5条记录中Age的中位数填充空的Age值
    if not np.isnan(skin_pred) :
        data['skin'].iloc[i] = skin_pred
    else :
        data['skin'].iloc[i] = skin_med

标签转换

标签转换 将class里的b'tested_positive'转为1 negative转为0

data.iloc[:,-1]=LabelEncoder().fit_transform(data.iloc[:,-1])

处理连续型数据

preg怀孕次数

X=data.iloc[:,0].values.reshape(-1,1)

使用 KBinsDiscretizer 

test=KBinsDiscretizer(n_bins=3,encode='onehot',strategy='uniform').fit_transform(X).toarray()

newdata=pd.concat([pd.DataFrame(test),data],axis=1)
print(newdata.head())

newdata.drop(["preg"],axis=1,inplace=True)
newdata.columns=["preg_small","preg_middle","preg_large","plas","pres","skin","insu","mass","pedi","age","class"]
print(newdata.head())