python中sklearn库在数据预处理中的详细用法，及5个常用的Scikit-learn（通常简称为 sklearn）程序代码示例

在这里插入图片描述

文章目录

前言
1. 数据清洗：使用 sklearn.preprocessing 中的 StandardScaler 和 MinMaxScaler 进行数据规范化。
2. 缺失值处理：使用 sklearn.impute 中的 SimpleImputer 来填充缺失值。
3. 数据编码：使用 sklearn.preprocessing 中的 OneHotEncoder 进行独热编码。
4. 数据拆分：使用 sklearn.model_selection 中的 train_test_split 将数据集拆分为训练集和测试集。
总结

前言

Scikit-learn（通常简称为 sklearn）是一个在 Python 中广泛使用的开源机器学习库，它包含了许多用于预处理数据的工具。

sklearn是针对Python编程语言的免费软件机器学习库，它是scikit-learn的简称，是一个基于Python的第三方模块。sklearn库集成了一些常用的机器学习方法，在进行机器学习任务时，并不需要实现算法，只需要简单的调用sklearn库中提供的模块就能完成大多数的机器学习任务。

sklearn库是在Numpy、Scipy和matplotlib的基础上开发而成的，因此在介绍sklearn的安装前，需要先安装这些依赖库。

下面是一些在数据预处理中常用的 sklearn 功能和相应的代码示例。

Scikit-learn（通常简称为 sklearn）是一个在 Python 中广泛使用的开源机器学习库，它包含了许多用于预处理数据的工具。下面是一些在数据预处理中常用的 sklearn 功能和相应的代码示例。

1. 数据清洗：使用 sklearn.preprocessing 中的 StandardScaler 和 MinMaxScaler 进行数据规范化。

from sklearn.preprocessing import StandardScaler, MinMaxScaler  #  示例数据  
data = [[0, 0], [0, 0], [1, 1], [1, 1]]  # 使用 StandardScaler 进行标准化  
scaler = StandardScaler()  
scaled_data = scaler.fit_transform(data)  
print(scaled_data)  # 使用 MinMaxScaler 进行规范化  
scaler = MinMaxScaler()  
scaled_data = scaler.fit_transform(data)  
print(scaled_data)

2. 缺失值处理：使用 sklearn.impute 中的 SimpleImputer 来填充缺失值。

from sklearn.impute import SimpleImputer  
import numpy as np  # 示例数据，其中第二列包含缺失值（NaN）  
data = [[0, np.nan], [0, 0], [1, 1], [1, 1]]  # 使用 SimpleImputer 填充缺失值（默认为平均值）  
imputer = SimpleImputer(strategy='mean')  
imputed_data = imputer.fit_transform(data)  
print(imputed_data)

3. 数据编码：使用 sklearn.preprocessing 中的 OneHotEncoder 进行独热编码。

from sklearn.preprocessing import OneHotEncoder  
import numpy as np  # 示例数据，其中第二列是类别标签（整数）  
data = [[0, 0], [0, 1], [1, 0], [1, 1]]  # 使用 OneHotEncoder 进行独热编码  
encoder = OneHotEncoder(sparse=False)  
encoded_data = encoder.fit_transform(data)  
print(encoded_data)

4. 数据拆分：使用 sklearn.model_selection 中的 train_test_split 将数据集拆分为训练集和测试集。

from sklearn.model_selection import train_test_split  
import numpy as np  # 示例数据，用于训练模型（预测房价）  
data = [[0, 0], [0, 1], [1, 0], [1, 1]]  # X = features, y = target (house price)  
y = np.array([0, 1, 1, 0])  # target labels (0 = low price, 1 = high price)  
X = data[:, 0:2]  # features (first two columns of data)  # 使用 train_test_split 将数据集拆分为训练集和测试集（比例为 80% 和 20%）  
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)  
print('Training data:', X_train)  # training features (X_train) and labels (y_train)  
print('Testing data:', X_test)  # testing features (X_test) and labels (y_test) for model evaluation and prediction on unseen data (real-world scenario)