摘要：數據預處理分為步第步導入和庫。數據可能因為各種原因丟失，為了不降低機器學習模型的性能，需要處理數據。代碼如下視頻教學群導入類庫導入數據集處理缺失的數據編碼分類數據切分數據集成訓練數據和測試數據特征縮放

數據預處理分為6步：

第1步：導入NumPy和Pandas庫。NumPy和Pandas是每次都要導入的庫，其中Numpy包含了數學計算函數，Pnadas是一個用于導入和管理數據集(Data Sets)的類庫。

第2步：導入數據集。數據集一般都是.csv格式，csv文件以文本形式存儲數據。每一行數據是一條記錄。我們使用pandas類庫的read_csv方法讀取本地的csv文件作為一個dataframe。然后從datafram中分別創建自變量和因變量的矩陣和向量。

第3步：處理缺失的數據。我們得到的數據很少是完整的。數據可能因為各種原因丟失，為了不降低機器學習模型的性能，需要處理數據。我們可以用整列的平均值或者中間值替換丟失的數據。我們用sklearn.preprocessing庫中的Inputer類完成這項任務。

第4步：對分類數據進行編碼。分類數據指的是含有標簽值而不是數字值得變量。取值范圍通常是固定的。例如“YES”和“NO”不能用于模型的數學計算，所以需要編碼成數字。為數顯這一功能，我們從sklearn.preprocessing庫中導入LabelEncoder類。

第5步：拆分數據集為測試集合和訓練集合。把數據集拆分成兩個，一個是用來訓練模型的訓練集合，另一個是用來驗證模型的測試集合。兩種比例一般是80:20。我們導入sklearn.crossvalidation庫中的train_test_split()方法。

第6步：特征縮放。大部分模型算法使用兩點間的歐式近距離表示，但此特征在幅度、單位和范圍姿態問題上變化很大。在距離計算中，高幅度的特征比低幅度特征權重大。可用特征標準化或Z值歸一化解決。導入sklearn.preprocessing庫的StandardScalar類。

代碼如下： 視頻教學QQ群 519970686

1 Step 1: 導入類庫
2
3 import numpy as np
4 import pandas as pd
5
6 Step 2: 導入數據集
7 dataset = pd.read_csv("Data.csv")
8 X = dataset.iloc[ : , :-1].values
9 Y = dataset.iloc[ : , 3].values
10
11 Step 3: 處理缺失的數據
12 from sklearn.preprocessing import Imputer
13 imputer = Imputer(missing_values = "NaN", strategy = "mean", axis = 0)
14 imputer = imputer.fit(X[ : , 1:3])
15 X[ : , 1:3] = imputer.transform(X[ : , 1:3])
16
17 Step 4:編碼分類數據
18 from sklearn.preprocessing import LabelEncoder, OneHotEncoder
19 labelencoder_X = LabelEncoder()
20 X[ : , 0] = labelencoder_X.fit_transform(X[ : , 0])
21 Creating a dummy variable
22
23 onehotencoder = OneHotEncoder(categorical_features = [0])
24 X = onehotencoder.fit_transform(X).toarray()
25 labelencoder_Y = LabelEncoder()
26 Y = labelencoder_Y.fit_transform(Y)
27
28 Step 5: 切分數據集成訓練數據和測試數據
29 from sklearn.cross_validation import train_test_split
30 X_train, X_test, Y_train, Y_test = train_test_split( X , Y , test_size = 0.2, random_state = 0)
31
32 Step 6: 特征縮放
33 from sklearn.preprocessing import StandardScaler
34 sc_X = StandardScaler()
35 X_train = sc_X.fit_transform(X_train)
36 X_test = sc_X.fit_transform(X_test)