常见的数据预处理方法，以下通过sklearn的preprocessing模块来介绍;
1. 标准化（Standardization or Mean Removal and Variance Scaling)
变换后各维特征有0均值，单位方差。也叫z-score规范化（零均值规范化）。计算方式是将特征值减去均值，除以标准差。
1复制代码 | sklearn.preprocessing.scale(X)复制代码 |
一般会把train和test集放在一起做标准化，或者在train集上做标准化后，用同样的标准化器去标准化test集，此时可以用scaler
123复制代码 | scaler = sklearn.preprocessing.StandardScaler().fit(train)scaler.transform(train)scaler.transform(test)复制代码 |
实际应用中，需要做特征标准化的常见情景：SVM
2. 最小-最大规范化
最小-最大规范化对原始数据进行线性变换，变换到[0,1]区间（也可以是其他固定最小最大值的区间）
12复制代码 | min_max_scaler = sklearn.preprocessing.MinMaxScaler()min_max_scaler.fit_transform(X_train)复制代码 |
3.规范化（Normalization）
规范化是将不同变化范围的值映射到相同的固定范围，常见的是[0,1]，此时也称为归一化。《机器学习》周志华
将每个样本变换成unit norm。
12复制代码 | X = [[ 1, -1, 2],[ 2, 0, 0], [ 0, 1, -1]]sklearn.preprocessing.normalize(X, norm='l2')复制代码 |
得到：
1复制代码 | array([[ 0.40, -0.40, 0.81], [ 1, 0, 0], [ 0, 0.70, -0.70]])复制代码 |
可以发现对于每一个样本都有，0.4^2+0.4^2+0.81^2=1,这就是L2 norm，变换后每个样本的各维特征的平方和为1。类似地，L1 norm则是变换后每个样本的各维特征的绝对值和为1。还有max norm，则是将每个样本的各维特征除以该样本各维特征的最大值。
在度量样本之间相似性时，如果使用的是二次型kernel，需要做Normalization
4. 特征二值化（Binarization）
给定阈值，将特征转换为0/1
12复制代码 | binarizer = sklearn.preprocessing.Binarizer(threshold=1.1)binarizer.transform(X)复制代码 |
5. 标签二值化（Label binarization）
1复制代码 | lb = sklearn.preprocessing.LabelBinarizer()复制代码 |
6. 类别特征编码
有时候特征是类别型的，而一些算法的输入必须是数值型，此时需要对其编码。
123复制代码 | enc = preprocessing.OneHotEncoder()enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])enc.transform([[0, 1, 3]]).toarray() #array([[ 1., 0., 0., 1., 0., 0., 0., 0., 1.]])复制代码 |
上面这个例子，第一维特征有两种值0和1，用两位去编码。第二维用三位，第三维用四位。
7.标签编码（Label encoding）
123456复制代码 | le = sklearn.preprocessing.LabelEncoder() le.fit([1, 2, 2, 6]) le.transform([1, 1, 2, 6]) #array([0, 0, 1, 2]) #非数值型转化为数值型le.fit(["paris", "paris", "tokyo", "amsterdam"])le.transform(["tokyo", "tokyo", "paris"]) #array([2, 2, 1])复制代码 |
8.特征中含异常值时
1复制代码 | sklearn.preprocessing.robust_scale复制代码 |
9.生成多项式特征
这个其实涉及到特征工程了，多项式特征/交叉特征。
12复制代码 | poly = sklearn.preprocessing.PolynomialFeatures(2)poly.fit_transform(X)复制代码 |
原始特征：
转化后：