引自：https://www.cnblogs.com/xiaorui111/p/10907224.html

一.預處理的作用

在機器學習任務中，學習器都會對資料有一定的要求，比如在最近鄰演算法中，我需要尋找與中心點最近鄰的點，假設我們使用歐式距離度量，如果有一個屬性值是千萬量級，而另一個屬性是100以內，那麼如此計算的距離會嚴重依賴於大量級的屬性，這對最後模型結果是有很大的影響的。總之，預處理的目的就是為了能夠讓學習器得到“乾淨”的資料。

二.歸一化

通過原始資料進行變換把資料對映到(預設為[0,1])之間，作用於每一列將性縮放到一個指定的最大和最小值（通常是1-0）之間，這可以通過preprocessing.MinMaxScaler類實現。

• 公式:max,min為一列最大，最小值
• API:sklearn.preprocessing.MinMaxScaler
• 相關語法:

MinMaxScaler(feature_range=(0,1),......).fit_transform(x)
###feature_range設定縮放給定的範圍;x為所需要處理的資料集

• 缺點:在特定的場景下最大值最小值是變化的，易受異常點的影響，只適用精確小資料

三.標準化

當個體特徵太過或明顯不遵從高斯正態分佈時，標準化表現的效果較差。實際操作中，經常忽略特徵資料的分佈形狀，移除每個特徵均值，劃分離散特徵的標準差，從而等級化，進而實現資料中心化。通過對原始資料進行變換把資料變換到均值為0，標準差為1的範圍內（作用於每一列）。

• 公式:
• API:sklearn.preprocessing.StandardScaler
• 相關語法:

StandardScaler().fit_transform(x)   ###例項化，並轉換資料
StandardScaler.mean_   ###檢視原始資料中每列平均值
StandardScaler.var_    ###檢視原始資料中每列方差

四.正則化

正則化的過程是將每個樣本縮放到單位範數(每個樣本的範數為1)，如果要使用如二次型(點積)或者其它核方法計算兩個樣本之間的相似性這個方法會很有用。
該方法是文字分類和聚類分析中經常使用的向量空間模型（Vector Space Model)的基礎.
Normalization主要思想是對每個樣本計算其p-範數，然後對該樣本中每個元素除以該範數，這樣處理的結果是使得每個處理後樣本的p-範數(l1-norm,l2-norm)等於1。

• p-範數的計算公式：||X||p=(|x1|^p+|x2|p+...+|xn|^p)1/p
• API:sklearn.preprocessing.Normalizer
• 相關語法:

Normalizer().fit_transform(x)    ###例項化，並轉換資料

五.二值化

特徵的二值化主要是為了將資料特徵轉變成boolean變數。在sklearn中,sklearn.preprocessing.Binarizer函式可以實現這一功能，Binarizer函式也可以設定一個閾值，結果資料值大於閾值的為1，小於閾值的為0。

• API:sklearn.preprocessing.Binarizer
• 相關語法:

Binarizer().fit_transform(x)    ###例項化，並轉換資料

六.Onehot編碼

在建模過程中，我們通常會碰到各種型別的屬性，如果是標稱型屬性，也就是不具備序列性、不能比較大小的屬性，通常我們不能用簡單的數值來粗暴替換。因為屬性的數值大小會影響到權重矩陣的計算，不存在大小關係的屬性，其權重也不應該發生相應的變化，那麼我們就需要用到One-hot編碼（也有人稱獨熱編碼）這種特殊的編碼方式了。

• API:sklearn.preprocessing.OneHotEncoder
• 相關語法:

OneHotEncoder().fit_transform(x)    ###例項化，並轉換資料

七.缺失值的處理

由於各種原因，許多現實的資料集包含缺失值，通常變為為空白、NaN或其他佔位符。使用不完整資料集的基本策略是丟棄包含缺失值的整行或整列，然而這樣會丟失可能有價值的資料。一個更好的策略就是從已知的部分資料中推斷出缺失值。
Imputer類提供了基本的策略來填充缺失值，可以用行或者列的均值、中位數或眾數來填充缺失值。

• API:sklearn.preprocessing.imputer
• 相關語法:

imputer(missing_values=, strategy= ,axis=1.......)  
###missing_values為缺失的資料，strategy為需要代替的資料