特征工程 - 特征变换

特征工程 - 特征变换

案例1：特征二值化 – 图像二值化

下载cv2

!pip install --upgrade pip

!pip install opencv-python

下载图片

!wget http://pic1.win4000.com/wallpaper/2018-12-10/5c0df6d577576.jpg

!cp 5c0df6d577576.jpg nvshen.jpg 

Jupyter中显示图片

%matplotlibatplotlib inline
import matplotlib.pyplot as plt
import cv2

def show_img(img):
    if len(img.shape) == 3:
        b, g, r = cv2.split(img)
        img = cv2.merge([r, g, b])
        plt.imshow(img)
    else:
        plt.imshow(img, cmap='gray')
    plt.axis("off")
    plt.show()

image = cv2.imread("nvshen.jpg")
show_img(image)

进行灰度化处理

gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
show_img(gray_image)

二值化操作

ret,thr = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)
show_img(thr)

案例2：数据变化 – Box-cox

Box-Cox变换属于广义幂变换

加载数据集

import pandas as pd

df = pd.read_csv('./DataSet/boxcox/sample_data.csv')
df.head()

数据可视化 – 直方图

%matplotlib inline
import matplotlib.pyplot as plt
h = plt.hist(df['AIR_TIME'], bins=100)

非正态 -> 正态分布 – scipy

from scipy import stats
import numpy as np

scipy_box_cox = stats.boxcox(np.asarray(df['AIR_TIME'].values))[0]
plt.hist(scipy_box_cox, bins=100)

非正态 -> 正态分布 – sklearn

from sklearn.preprocessing import power_transform

sklearn_box_cox = power_transform(df[['AIR_TIME']], method='box-cox')
plt.hist(sklearn_box_cox, bins=100)

案例3 特征离散化

使用鸢尾花数据集

加载数据集

import numpy as np 
from sklearn.datasets import load_iris
from sklearn.preprocessing import KBinsDiscretizer
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import cross_val_score

iris = load_iris()

显示原始数据的分布情况

X = iris.data
y = iris.target
X = X[:, [2, 3]]
plt.scatter(X[:, 0], X[:, 1], c=y, alpha=0.3, cmap=plt.cm.RdYlBu, edgecolor='black')

对数据离散化 && 显示分布

Xd = KBinsDiscretizer(n_bins=10, encode='ordinal', strategy='uniform').fit_transform(X)
plt.scatter(Xd[:, 0], Xd[:, 1], c=y, cmap=plt.cm.RdYlBu, edgecolor='black')

未离散化 Vs 离散化 （可视化）

import matplotlib.pyplot as plt

fig = plt.figure()
fig.add_subplot(1, 2 ,1)
plt.scatter(X[:, 0], X[:, 1], c=y, alpha=0.3, cmap=plt.cm.RdYlBu, edgecolor='black')

fig.add_subplot(1, 2 ,2)
plt.scatter(Xd[:, 0], Xd[:, 1], c=y, cmap=plt.cm.RdYlBu, edgecolor='black')

未离散化 Vs 离散化 （决策树&交叉验证）

dtc = DecisionTreeClassifier(random_state=0)  

# 评估未离散化
score1 = cross_val_score(dtc, X, y, cv=5) 
print('未离散化：', 'mean:', np.mean(score1), '\tstd:', np.std(score1))

# 评估离散化
score2 = cross_val_score(dtc, Xd, y, cv=5) 
print('离散化：', 'mean:', np.mean(score2), '\tstd:', np.std(score2))

离散化策略大比拼#1

strategys = {'uniform', 'quantile', 'kmeans'}
for strategy in strategys:
    km = KBinsDiscretizer(n_bins=3, encode='ordinal', strategy=strategy).fit_transform(X)
    s = cross_val_score(dtc, km, y, cv=5)
    print(strategy, 'mean:', np.mean(s),'\tstd:', np.std(s))

离散化策略大比拼#2

vs = pd.DataFrame()
strategys = {'uniform', 'quantile', 'kmeans'}
for strategy in strategys:
    km = KBinsDiscretizer(n_bins=3, encode='ordinal', strategy=strategy).fit_transform(X)
    s = cross_val_score(dtc, km, y, cv=5)
    vs_ = pd.DataFrame([(strategy,np.mean(s), np.std(s))]) #行数据
    vs = pd.concat([vs, vs_], axis=0) 

vs

处理数据#1

vs.columns = ['strategy', 'mean', 'std'] #设置列标签
vs.reset_index(drop=True, inplace=True) #重置索引index
vs

处理数据#2

vs = vs.set_index('strategy') #设置strategy为索引index
vs

可视化#1

vs.plot.bar(rot=0)

可视化#2

vs.plot.barh()

可视化#3

vs.plot.line()

案例4 数据规范化

读取数据集“/winemag/wine_data.csv”的前三个特征（“Class_label”“Alcohol”“Malic_acid”），
并对特征“Alcohol”“Malic_acid”的数据分别进行标准化和最小最大区间化操作，
然后用图示的方式比较原始数据和规范化之后的数据分布。

加载数据集

加载数据#1

import pandas as pd

df = pd.read_csv('./DataSet/winemag/wine_data.csv')
df.head()

加载数据#2

import pandas as pd

df = pd.read_csv('./DataSet/winemag/wine_data.csv', usecols=[0,1,2])
df.head()

标椎化 && 区间化

from sklearn.preprocessing import StandardScaler
from sklearn.preprocessing import MinMaxScaler

# 标准化
std_scaler = StandardScaler()
df_std = std_scaler.fit_transform(df[['Alcohol', 'Malic_acid']])

# 区间化
mm_scaler = MinMaxScaler()
df_mm = mm_scaler.fit_transform(df[['Alcohol', 'Malic_acid']])

可视化数据分布

plt.figure(figsize=(10, 8))
plt.scatter(df['Alcohol'], df['Malic_acid'], color='green', label='input scale', alpha=0.5) #原始数据

plt.scatter(df_std[:,0], df_std[:,1], color='red', label='Standardized', alpha=0.3) #标准化

plt.scatter(df_mm[:,0], df_mm[:,1], color='blue', label='min-max scaled', alpha=0.3) #区间化

plt.title('Alcohol and Malic Acid content of the wine dataset')
plt.xlabel('Alcohol')
plt.ylabel('Malic Acid')
plt.legend(loc='upper left')
plt.grid()
plt.tight_layout() # 

参考资料

plt.tight_layout()

来源：CSDN

作者：喝醉酒的小白

链接：https://blog.csdn.net/hezuijiudexiaobai/article/details/104349206