编译工具：PyCharm

有些编译工具不用写print可以直接将数据打印出来，pycharm需要写print才会打印出来。

概念

1.特征类型

特征的类型：“离散型”和“连续型”
机器学习算法对特征的类型是有要求的，不是任意类型的特征都可以随意放入任何算法中。
通过特征变换后，数据的可解释性得到提高。
连续型特征就是具体的数值，如温度、长度
离散型分为分类型、二值型、顺序型特征

分类型

用于表示类别，每个值表示一种单独的类别，并且不同值之间没有顺序和大小之分，如"在职"、“离职”，可以用"0","1"来表示。
在数据挖掘领域中，分类型特征被称为“标称属性”。

二值型

特征值只有两种状态，如0，1；显然是分类型的，二值型特征也称为“二元型特征”或“布尔型特征”

顺序型

可以是数字也可以是对连续型特征离散化而得到如将学生的成绩划分等级A(90-100)、B(75-90)、C(60-75)

数值型

整数/浮点数

2.特征数值化练习1

将一些算法不理解的特征值转化为数值型，实现数值化

# 将一些算法不理解的特征值转化为数值型，实现数值化
import pandas as pd
print("-------特征数值化-------")
df = pd.DataFrame({
    "total_bill":[34.3,27.05,48.17,41.16,29.85,20.69,30.46,28.15,24.59,25.29],
    "tip":[6.7,5,5,5,5.14,5,2,3,3.61,4.71],
    "gender":["Male","Female","Male","Male","Female","Male","Male","Male","Female","Male"],
    "smoker":["No","No","No","No","No","No","Yes","Yes","No","No"]
})
print("-------原始数据-------")
print(df)
print("-------通过replace进行特征数值化---------")
print(df.replace({"Male": 1, "Female": 0, "Yes": 1, "No": 0}))
# 没有sklearn库的先安装，scikit-learn
print("-------通过sklearn库内置方法进行特征数值化---------")
from sklearn.preprocessing import LabelEncoder
day = ["Thur","Thur","Fri","Thur","Sun","Thur","Sun","Sat","Sun","Sun","Thur","Thur","Fri","Sun"]
print("原始数据1: ")
print(day)
le = LabelEncoder()
print("调用sklearn中的LabelEncoder中的方法实现特征化: ")
print(le.fit_transform(day))
print("用LabelEncoder来获取到原始的字符串,即实现'反向取值'的方法: ")
day_new = le.inverse_transform([0,1,2,3]) # 这里的le已经被训练好了，所以可以取到特征化之前的数值
print(day_new)
print("原始数据2: ")
nums = [2001,10001,3000,10001]
print(nums)
print("调用fit_transform后: ")
print(le.fit_transform(nums))
print("实现'反向取值':")
print(le.inverse_transform([1]))  # 写的时候不能直接写1，要写[1]

运行结果:

使用sklearn库中的内置方法

3.特征数值化练习2

某办公室电子设备数据如下
data=[‘笔记本’,‘台式本’,‘手机’,‘台式机’,‘平板电脑’]
需要用这些数据创建特征数值化模型，然后用该模型对下面的数据集进行特征变换。
data_test=[‘平板电脑’,‘手机’,‘台式机’,‘台式机’]

print()
print("------------------练习2----------------")
from sklearn.preprocessing import LabelEncoder
data=['笔记本','台式本','手机','台式机','平板电脑']
data_test=['平板电脑','手机','台式机','台式机']
# 对data特征化，创建特征数值化模型
le = LabelEncoder()
le.fit(data)
# 查看类别信息
print(le.classes_)
# 用训练好的模型对新的数据进行特征化
print(le.transform(data_test))

运行结果：

4.特征二值化

sklearn库提供Binarizer可以实现二值化
from sklearn.preprocessing import Binarizer

print("-----------特征二值化------------")
import numpy as np
tips = [19.65,10.33,21.50,14.52,11.02,15.77,40.55,30.06,14.07,18.35]
print(tips)
# np.mean(tips)求tips数组的平均值
# np.where中三个参数，判断第一个参数为true则取第二个参数，为false取第三个参数
tips = np.where(tips>np.mean(tips),1,0)
print("二值化后: ")
print(tips)
# sklearn库中二值化模块实现二值化
from sklearn.preprocessing import Binarizer
data2 = {
    'tips':[19.65,10.33,21.50,14.52,11.02,15.77,40.55,30.06,14.07,18.35],
    'sex':['Male','Male','Male','Female','Male','Male','Male','Male','Male','Male']
}
df2 = pd.DataFrame(data2,columns=['tips','sex'])
print("使用sklearn库: ")
# average = np.mean(data2['tips'])
average = df2['tips'].mean()
# 设置阈值
bn = Binarizer(threshold=average)
# 需要注意的是，不可直接这样子写
# result = bn.fit_transform(df2['tips'])
# df2[['tips']]返回的是一个DataFrame对象，是二位数据
# df2['tips']是一维数据
data_temp = df2[['tips']]
result = bn.fit_transform(data_temp)
print(result)
# 使用binarize方法
print("使用binarize方法")
from sklearn.preprocessing import binarize
fbin = binarize(df2[['tips']],threshold=df2['tips'].mean())
print(fbin)

使用sklearn库自带的Binarizer实现二值化需要注意的点

sklearn需要传入一个二维数据，但是df2[‘tips’]得到的其实是一个一维的数据，可以通过以下方法将一个一维的数据转化为二维的数据使用（一行变为一列 1xm 变为 mx1）。

# 一维数据转变为二维的数据
# df2[['tips']]返回的是一个DataFrame对象，是二位数据
# df2['tips']是一维数据
tra1 = df2['tips']
tra2 = df2[['tips']]
tra3 = df2['tips'].values.reshape((-1,1)).shape
print(tra1)
print(type(tra1))
print(tra2)
print(type(tra2))
print(tra3)
print(type(tra3))

练习:创建100个正态分布的随机数，并且实现二值化

print("-------练习2:创建100个正态分布的随机数，并且实现二值化------")
import numpy as np
from sklearn.preprocessing import Binarizer
# normal 是正态的意思，loc=0表示以y轴为对称轴的状态分布，scale越大，正态分布曲线矮胖，越小高瘦
nor = np.random.normal(loc=0,scale=1.0,size=100)
# 可以看到nor是一个一维的数据
print(nor)
data_temp = nor.reshape(-1,1)
# 打印转化后的数据的前十行以及所有的列
print(data_temp[:10,:])
# 如果没有设置阈值threshold，则默认为0
nor_bin=Binarizer().fit_transform(data_temp)
print(nor_bin[:10, :])

练习:对图片数据进行二值化

对彩色图片需要对红绿蓝这三个通道进行调整，因为openCV在读取图片的时候，认为图片存储通道顺序是bgr，但是正常显示图片的顺序是rgb。
如果不修改就显示图片的话，图片的颜色是错乱的。
图片二值化目标：区分出前景和背景。
需要先把图片灰度化，然后再对每个像素点进行二值化。
每一个像素点实际上存储的是一个数字，从0~255，0表示纯黑，255表示纯白

print("----------练习3:对图像数据二值化------------")
import matplotlib.pyplot as plt
import cv2
def show_img(img):
    if len(img.shape)==3:       # 用于判断图像是否为灰度图或彩色图(判断图像通道数)
        b,g,r = cv2.split(img)  # 拆分通道
        img=cv2.merge([r,g,b])
        plt.imshow(img)
    else:
        plt.imshow(img,cmap="gray")
    plt.axis("off") # 关闭坐标轴
    plt.show()
image = cv2.imread("./img/spider-man.png")
show_img(image)
# 对图片灰度化
gray_image= cv2.cvtColor(image,cv2.COLOR_BGR2GRAY)
show_img(gray_image)
# 对灰度化的像素点进行二值化
# 127是手动设置的阈值(0-255中间值为127，可以设置其他值)，255是大于阈值时显示的值
ret,thr = cv2.threshold(gray_image,127,255,cv2.THRESH_BINARY)
show_img(thr)

将图片正常显示

灰度化后图片显示

二值化后图片显示

OneHot编码

one-hot编码也叫独热编码。
基本思想：将离散化特征的每一种取值都看成一种状态，如果一个特征中由N中取值，就可以将该特征抽象成N种不同的状态，one-hot编码保证每一个取值只会使得一种状态处于“激活态”，就是说这N种状态只有一个状态位值为1，其他状态位为0.
例如：三种类型：猫、狗、乌龟
猫编码：[1，0，0]
狗编码：[0，1，0]
乌龟：[0，0，1]
pandas中的get_dummies方法可以将分类型特征转化为“虚拟变量”（哑变量），就是将数据转换为one-hot编码。

print("----------------OneHot独热编码---------------------")
import pandas as pd
color = pd.DataFrame({"color":["red","green","green","red","green"]})
print(color)
# 特征提取
print(pd.get_dummies(color))

01表示了red，10标识green

可以添加前导字符，通过设定prefix='xxx’即可

练习

print("-------练习1:生成独热编码-------")
data = {
    "grade":['A','B','B','A','A'],
    "size":['L','XXL','XXL','L','L']
}
df = pd.DataFrame(data)
print(df)
print(pd.get_dummies(df))

可以理解为，输入grade_A则为True，不属于则为False。10标识了A，01标识了B；10标识了L，01表示了XXL

可以看到都是通过10，01或者是100，010，001来标识的，没有000，所以我们可以通过去掉一列然后引入000来标识一个类型，例如：

print("--------去除第一列，通过000来标识为A--------")
shirt=pd.DataFrame({"grade":["A","A","D","C","B","B"]})
print("未去列之前:")
print(pd.get_dummies(shirt))
print("去列后:")
print(pd.get_dummies(shirt,drop_first=True))

sklearn中的OneHotEncoder也提供了实现OneHot编码的方法

print("-----------通过sklearn中提供的方法实现one-hot编码------------")
from sklearn.preprocessing import OneHotEncoder
ohe = OneHotEncoder()
features = ohe.fit_transform(shirt)
print(features.toarray())
# OneHotEncoder中没有提供类似于drop_first的方法
# 可以通过numpy切片解决舍弃第一列
print(features.toarray()[:,1:])