🤵♂️ 个人主页: @AI_magician
📡主页地址: 作者简介:CSDN内容合伙人,全栈领域优质创作者。
👨💻景愿:旨在于能和更多的热爱计算机的伙伴一起成长!!🐱🏍
🙋♂️声明:本人目前大学就读于大二,研究兴趣方向人工智能&硬件(虽然硬件还没开始玩,但一直很感兴趣!希望大佬带带)
摘要: 本系列旨在普及那些深度学习路上必经的核心概念,文章内容都是博主用心学习收集所写,欢迎大家三联支持!本系列会一直更新,核心概念系列会一直更新!欢迎大家订阅
该文章收录专栏
[✨— 《深入解析机器学习:从原理到应用的全面指南》 —✨]
数据预处理
处理缺失值
这些方法的选择取决于数据集的特点、缺失值的模式以及所使用的分析方法。在实际应用中,需要根据具体情况选择适当的方法,并进行验证和评估,以确保处理缺失值的有效性和合理性。
当数据存在空值时(除了看缺失值个数,建议看缺失值的比例, 更具有代表性),
# 自定义analysis函数,实现数据信息探索的描述性统计分析和缺失值分析
def analysis(data):print('描述性统计分析结果为:\n', data.describe())print('各属性缺失值占比为:\n', 100*(data.isnull().sum() / len(data)))
名称 | 介绍 | 优缺点 |
---|---|---|
删除 | 删除包含缺失值的数据行或列。 | 优点:简单快捷,适用于缺失值较少的情况。缺点:可能会丢失有用的信息,特别是当缺失值的模式与其他变量相关时。如果缺失值占比较大,可能导致样本减少。 |
插补 | 使用统计方法估计缺失值,并填充数据。常见的插补方法包括均值、中位数、众数、回归等。 或者根据数据实际场景填补, 比如电商手机数据同等系列其他数据可以补充 | 优点:保留样本量,不会丢失数据。缺点:可能引入估计误差,可能改变数据的分布和关系。插补方法的选择和质量对结果影响较大。 |
标记 | 使用特殊值(如NaN、-1)或标签(如"Unknown", “其他”)来标记缺失值。 | 优点:简单直观,不会改变数据的分布和关系。缺点:在某些算法中可能会引入偏差。处理标记值的方式需要小心,以免引入错误。 |
分类 | 将缺失值作为一个特殊的类别对待。 | 优点:不会丢失信息,适用于缺失值有特别含义的情况。缺点:可能会使数据变得更复杂,某些算法可能需要额外的调整才能处理分类特征。 |
多重插补 | 使用多个插补模型,通过迭代的方式进行插补。 | 优点:可以更准确地估计缺失值,并提供不确定性估计。缺点:计算复杂度较高,可能需要更长 的处理时间。需要小心处理迭代过程中的收敛性和稳定性。 |
模型预测 | 使用机器学习模型来预测缺失值。可以使用其他特征作为输入,预测缺失值。 | 优点:可以更准确地估计缺失值,考虑了特征之间的关系。缺点:计算复杂度较高,需要训练和调整模型。可能会引入模型预测误差。 |
插补法
对于时间序列的数据,以下几种插值方法比较常用和建议使用:
-
线性插值:线性插值是最简单和常用的插值方法之一。它假设数据在两个已知数据点之间是线性变化的,通过计算两个已知数据点之间的线性函数来填充空值。线性插值简单、快速,并且可以适用于大多数情况。
-
拉格朗日插值:拉格朗日插值是一种多项式插值方法,它通过计算一个多项式函数来逼近数据的变化。拉格朗日插值可以更准确地拟合数据的非线性变化,但对于大规模数据集和高阶多项式,计算量可能较大。
-
样条插值:样条插值是一种平滑的插值方法,通过拟合一条平滑的曲线来逼近数据的变化。样条插值可以处理数据的曲线和趋势变化,常用的样条插值方法包括线性样条插值、三次样条插值等。
-
时间序列模型插值:对于时间序列数据,可以使用时间序列模型来预测和填充空值。常用的时间序列模型包括ARIMA模型、指数平滑模型、神经网络模型等。这些模型可以根据时间的趋势、季节性等特征来预测未来的数值,并填充空值。
选择插值方法时,应根据时间序列数据的性质和特征选择最适合的方法。对于平稳的时间序列,线性插值或拉格朗日插值可能足够;对于非线性或具有季节性的时间序列,样条插值或时间序列模型插值可能更合适。
此外,还可以根据数据的连续性和周期性来选择插值方法。例如,对于缺失的周期性数据,可以使用周期性插值方法,如周期移动平均或周期性线性插值。
处理重复值
方法名称 | 方法介绍 | 优缺点 |
---|---|---|
删除重复值 | 从数据集中删除所有重复的观测值或行。 | 优点:简单快捷;缺点:可能会导致数据丢失,特别是在其他列的值也存在差异的情况下。 |
唯一化 | 保留数据集中的唯一值,并删除重复的观测值或行。 | 优点:保留了数据集中的唯一信息;缺点:可能会导致数据丢失,特别是在其他列的值也存在差异的情况下。 |
标记重复值 | 标记数据集中的重复值,以便后续分析中可以识别它们。 | 优点:保留了数据集中的所有信息,并能够识别重复值;缺点:可能会增加数据集的大小,增加后续处理的复杂性。 |
聚合数据 | 将重复值聚合成单个值,例如计算平均值或合并文本字符串。 | 优点:保留了数据集中的所有信息,并提供了汇总的结果;缺点:根据具体情况,可能会引入汇总误差或信息丢失。 |
保留第一个/最后一个 | 仅保留重复值中的第一个或最后一个观测值,删除其他重复值。 | 优点:简单易行;缺点:可能会引入偏差,因为保留的观测值可能不代表整个重复值组的特征。 |
这些方法可以根据具体的数据集和分析需求选择和调整。在处理重复值之前,通常还需要对数据进行排序,以确保相邻观测值之间的一致性。此外,了解数据集中的重复值产生的原因也是很重要的,这有助于确定最适合的处理方法。
注意在使用pd.drop_duplicates() 选择subset某一列避免全部删除
文本处理
当涉及到自然语言处理(NLP)任务时,文本预处理是一个重要的步骤。它旨在将原始文本数据转换为机器学习算法可以理解和处理的格式。下面是几种常见的文本预处理算法,包括它们的介绍以及优缺点。
名称 | 介绍 | 优缺点 |
---|---|---|
分词(Tokenization) | 将文本拆分为词(或标记)的过程。常见的方法是使用空格或标点符号来分隔词语。例如jieba库(等 ) | 优点:简单快速,适用于大多数NLP任务。缺点:无法处理歧义和特殊情况(如缩写词和复合词)。 |
停用词去除(Stop Word Removal) | 停用词是在文本中频繁出现但通常不携带太多信息的单词(如“the”、“is”、“and”等)。该算法的目标是从文本中去除这些停用词。一般来说有现成的停用词, 实际还要根据实际问题去除额外不需要的文本 | 优点:减少数据维度,提高后续步骤的效果。缺点:有时可能会去除一些重要的上下文信息。 |
规范化(Normalization) | 将文本中的单词转换为标准形式,以消除词形变化对分析的影响。例如,将单词的时态、数目和人称转换为统一形式。 | 优点:减少词汇的多样性,提高模型的泛化能力。缺点:可能导致一些信息的丢失。 |
词干提取(Stemming) | 通过去除单词的后缀,将单词转换为它的词干形式。例如,将“running”、“runs”和“ran”转换为“run”。 | 优点:简单快速,适用于一些信息检索任务。缺点:可能得到不是真正存在的词汇形式。 |
词形还原(Lemmatization) | 将单词还原为它的基本形式(称为词元),具有语义上的准确性。例如,将“am”、“are”和“is”还原为“be”。 | 优点:提供更准确的词汇形式,适用于要求高精度的任务。缺点:计算成本较高,速度较慢。 |
清洗(Cleaning) | 去除文本中的噪声、表情、特殊字符和HTML标签或表情符号(一般是&字母; )等非文本数据。根据数据集去除对目标无用的数据,例如电商数据默认好评”您没有填写内容,默认好评“ | 优点:提高文本质量,减少不相关的信息。缺点:可能会丢失一些有用的特征。 |
编码(Encoding) | 将文本转换为数字表示形式,以便机器学习算法能够处理。常见的编码方法包括独热编码、词袋模型和词嵌入。 | 优点:方便算法处理,保留了一定的语义信息。缺点:可能无法捕捉词语之间的关系和上下文信息。 |
这些算法通常会根据具体任务和数据集的特点进行组合使用。选择适当的文本预处理步骤取决于任务的目标和数据的特点。
🤞到这里,如果还有什么疑问🤞🎩欢迎私信博主问题哦,博主会尽自己能力为你解答疑惑的!🎩🥳如果对你有帮助,你的赞是对博主最大的支持!!🥳