Reference:http://mp.weixin.qq.com/s?src=3&timestamp=1474985436&ver=1&signature=at24GKibwNNoE9VsETitURyMHzXYeytp1MoUyAFx-2WOZTdPelAdJBv9nkMPyczdr4riYdUZWOaUInIFOxWELVDugvJJxpeEgp5KWDFFtwR8VYalYfPvdWdrmi*Qoq9shyPnROU3Tch32ieV9V8clw==

python data analysis | python資料預處理（基於scikit-learn模組）

現在，很多人想開發高效的演算法以及參加機器學習的競賽。所以他們過來問我：”該如何開始？”。一段時間以前，我在一個俄羅斯聯邦政府的下屬機構中領導了媒體和社交網路大資料分析工具的開發。我仍然有一些我團隊使用過的文件，我樂意與你們分享。前提是讀者已經有很好的數學和機器學習方面的知識（我的團隊主要由MIPT（莫斯科物理與技術大學）和資料分析學院的畢業生構成）。

這篇文章是對資料科學的簡介，這門學科最近太火了。機器學習的競賽也越來越多（如，Kaggle, TudedIT），而且他們的資金通常很可觀。

R和Python是提供給資料科學家的最常用的兩種工具。每一個工具都有其優缺點，但Python最近在各個方面都有所勝出（僅為鄙人愚見，雖然我兩者都用）。這一切的發生是因為Scikit-Learn庫的騰空出世，它包含有完善的文件和豐富的機器學習演算法。

請注意，我們將主要在這篇文章中探討機器學習演算法。通常用Pandas包去進行主資料分析會比較好，而且這很容易你自己完成。所以，讓我們集中精力在實現上。為了確定性，我們假設有一個特徵-物件矩陣作為輸入，被存在一個*.csv檔案中。

資料載入

首先， 下載ftp://ftp.ics.uci.edu/pub/machine-learning-databases/pima-indians-diabetes/pima-indians-diabetes.data 資料儲存到本地磁碟，然後numpy在載入資訊，才能對其操作。Scikit-Learn庫在它的實現用使用了NumPy陣列，所以我們將用NumPy來載入*.csv檔案。

import numpy as np

dataset = np.loadtxt("d:\\test.csv",delimiter=",")
X = dataset[:,0:7]
y = dataset[:,8]
 

我們將在下面所有的例子裡使用這個資料組，換言之，使用X特徵物陣列和y目標變數的值。

資料標準化

我們都知道大多數的梯度方法（幾乎所有的機器學習演算法都基於此）對於資料的縮放很敏感。因此，在執行演算法之前，我們應該進行標準化，或所謂的規格化。標準化包括替換所有特徵的名義值，讓它們每一個的值在0和1之間。而對於規格化，它包括資料的預處理，使得每個特徵的值有0和1的離差。Scikit-Learn庫已經為其提供了相應的函式。

from sklearn import metrics
from sklearn.ensemble import ExtraTreesClassifier
model = ExtraTreesClassifier()
model.fit(X, y)
# display the relative importance of each attribute
print(model.feature_importances_)

特徵的選取

毫無疑問，解決一個問題最重要的是是恰當選取特徵、甚至創造特徵的能力。這叫做特徵選取和特徵工程。雖然特徵工程是一個相當有創造性的過程，有時候更多的是靠直覺和專業的知識，但對於特徵的選取，已經有很多的演算法可供直接使用。如樹演算法就可以計算特徵的資訊量。

其他所有的方法都是基於對特徵子集的高效搜尋，從而找到最好的子集，意味著演化了的模型在這個子集上有最好的質量。遞迴特徵消除演算法（RFE）是這些搜尋演算法的其中之一，Scikit-Learn庫同樣也有提供。

from sklearn.feature_selection import RFE
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
# create the RFE model and select 3 attributes
rfe = RFE(model, 3)
rfe = rfe.fit(X, Y)
# summarize the selection of the attributes
print(rfe.support_)
print(rfe.ranking_)

演算法的開發

正像我說的，Scikit-Learn庫已經實現了所有基本機器學習的演算法。讓我來瞧一瞧它們中的一些。

邏輯迴歸

大多數情況下被用來解決分類問題（二元分類），但多類的分類（所謂的一對多方法）也適用。這個演算法的優點是對於每一個輸出的物件都有一個對應類別的概率。

from sklearn import metrics
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(X, Y)
print(model)
# make predictions
expected = Y
predicted = model.predict(X)
# summarize the fit of the model
print(metrics.classification_report(expected, predicted))
print(metrics.confusion_matrix(expected, predicted))

樸素貝葉斯

它也是最有名的機器學習的演算法之一，它的主要任務是恢復訓練樣本的資料分佈密度。這個方法通常在多類的分類問題上表現的很好。

from sklearn import metrics
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(X, Y)
print(model)
# make predictions
expected = y
predicted = model.predict(X)
# summarize the fit of the model
print(metrics.classification_report(expected, predicted))
print(metrics.confusion_matrix(expected, predicted))

k-最近鄰

kNN（k-最近鄰）方法通常用於一個更復雜分類演算法的一部分。例如，我們可以用它的估計值做為一個物件的特徵。有時候，一個簡單的kNN演算法在良好選擇的特徵上會有很出色的表現。當引數（主要是metrics）被設定得當，這個演算法在迴歸問題中通常表現出最好的質量。

from sklearn import metrics
from sklearn.neighbors import KNeighborsClassifier
model = KNeighborsClassifier()
model.fit(X, Y)
print(model)
expected = Y
predicted = model.predict(X)
print(metrics.classification_report(expected, predicted))
print(metrics.confusion_matrix(expected, predicted))

決策樹

分類和迴歸樹（CART）經常被用於這麼一類問題，在這類問題中物件有可分類的特徵且被用於迴歸和分類問題。決策樹很適用於多類分類。

from sklearn import metrics
from sklearn.tree import DecisionTreeClassifier
model = DecisionTreeClassifier()
model.fit(X, Y)
print(model)
expected = Y
predicted = model.predict(X)
print(metrics.classification_report(expected, predicted))
print(metrics.confusion_matrix(expected, predicted))

支援向量機

SVM（支援向量機）是最流行的機器學習演算法之一，它主要用於分類問題。同樣也用於邏輯迴歸，SVM在一對多方法的幫助下可以實現多類分類。

from sklearn import metrics
from sklearn.svm import SVC
model = SVC()
model.fit(X, Y)
print(model)
expected = Y
predicted = model.predict(X)
print(metrics.classification_report(expected, predicted))
print(metrics.confusion_matrix(expected, predicted))

除了分類和迴歸問題，Scikit-Learn還有海量的更復雜的演算法，包括了聚類， 以及建立混合演算法的實現技術，如Bagging和Boosting。

如何優化演算法的引數

在編寫高效的演算法的過程中最難的步驟之一就是正確引數的選擇。一般來說如果有經驗的話會容易些，但無論如何，我們都得尋找。幸運的是Scikit-Learn提供了很多函式來幫助解決這個問題。

作為一個例子，我們來看一下規則化引數的選擇，在其中不少數值被相繼搜尋了：

import numpy as np
from sklearn.linear_model import Ridge
from sklearn.model_selection import GridSearchCV
alphas = np.array([1,0.1,0.01,0.001,0.0001,0])
model = Ridge()
grid = GridSearchCV(estimator=model, param_grid=dict(alpha=alphas))
grid.fit(X, Y)
print(grid)
print(grid.best_score_)
print(grid.best_estimator_.alpha)

有時候隨機地從既定的範圍內選取一個引數更為高效，估計在這個引數下演算法的質量，然後選出最好的。

import numpy as np
from scipy.stats import uniform as sp_rand
from sklearn.linear_model import Ridge
from sklearn.model_selection import RandomizedSearchCV
param_grid = {'alpha': sp_rand()}
model = Ridge()
rsearch = RandomizedSearchCV(estimator=model, param_distributions=param_grid, n_iter=100)
rsearch.fit(X, Y)
print(rsearch)
print(rsearch.best_score_)
print(rsearch.best_estimator_.alpha)

至此我們已經看了整個使用Scikit-Learn庫的過程，除了將結果再輸出到一個檔案中。這個就作為你的一個練習吧，和R相比Python的一大優點就是它有很棒的文件說明。

test.csv