6 数据预处理之数据转换与归一化

数据挖掘不是只跑算法，而是从数据准备、模式发现到结果解释的一整条流程。阅读时可以按「数据转换 -> 归一化 -> 数据清洗 -> 特征探索」建立结构，再回到正文里的代码、案例或指标做验证。

读完后，用一个真实小任务复查：输入是什么，处理环节在哪里，输出是否可验收；失败时先查「数据转换」，再查「归一化」。

在数据挖掘的过程中，数据预处理是一个不可或缺的环节。我们在上一篇中讨论了如何处理缺失值，确保数据集中每一个样本都有尽可能完整的信息。这一部分将重点介绍数据预处理中的一个重要方面——数据转换与归一化。我们会探讨这些步骤如何帮助提高后续建模的效果，并结合实例和代码更好地理解这些概念。

数据转换

数据转换是指对数据进行某种形式的变换，以便使其更加适合于模型的训练或分析。常见的转换操作包括：

做数据转换与归一化时，先看字段量纲、数值范围、异常值和模型需求。尺度不一致会让结果偏向大数值字段。

对数变换：通常用于处理右偏分布的数值特征，能够减小极端值的影响。

例如，考虑某企业的收入数据，其分布可能高度右偏。这时，我们可以使用对数变换：

$X' = \log(X + 1)$

这里的 '+1' 是为了避免对数零不能计算的问题。
```
import pandas as pd
import numpy as np

# 创建数据框
df = pd.DataFrame({'收入': [5000, 10000, 150000, 2000000]})

# 进行对数变换
df['收入_log'] = np.log(df['收入'] + 1)
print(df)
```
平方根变换：另一种常见的处理偏态数据的方法，尤其对于数据都为正的情况。

$X' = \sqrt{X}$
标准化：标准化是对特征进行线性变换，使其均值为 0，方差为 1，这一过程使得不同尺度的特征可以比较。

$X' = \frac{X - \mu}{\sigma}$

其中 $\mu$ 是特征的均值， $\sigma$ 是特征的标准差。
```
from sklearn.preprocessing import StandardScaler

# 示例数据
data = np.array([[1, 2], [2, 3], [3, 4]])
scaler = StandardScaler()
standardized_data = scaler.fit_transform(data)
print(standardized_data)
```

归一化

与标准化相似，归一化是另一种常用的数据预处理技术，特别适用于在一个固定范围内缩放特征。归一化的常见方法是 Min-Max 归一化，它将特征缩放到 [0, 1] 区间。

阅读《数据预处理之数据转换与归一化》前，可以先用配图确认主线；读完后再检查哪些步骤能直接操作，哪些还需要补资料。

$X' = \frac{X - X_{min}}{X_{max} - X_{min}}$

这种方式尤其适用于需要保持原特征分布形态的情况，并且在使用一些基于距离的算法（如 KNN、SVM 等）时，归一化会显著提高模型的表现。

from sklearn.preprocessing import MinMaxScaler

# 示例数据
data = np.array([[1, 2], [2, 3], [3, 4]])
scaler = MinMaxScaler()
normalized_data = scaler.fit_transform(data)
print(normalized_data)

实际案例

假设我们在开展客户离职预测的项目，在数据集中我们有多种特征，例如客户的年龄、年收入、账户余额等。这些特征的取值范围与数据分布差异较大，直接投入模型可能导致模型的性能不佳。因此，适当地进行数据转换与归一化是非常必要的。

数据转换：我们首先对年收入进行对数变换，以便减小其与其它特征的差异。
数据归一化：我们使用 Min-Max 归一化对年龄和账户余额进行处理，这样做能够保证每个特征的数值范围更为一致。

下面是一个完整的数据预处理示例：

import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler

# 创建客户数据集
data = pd.DataFrame({
    '客户ID': [1, 2, 3, 4],
    '年龄': [25, 45, 35, 23],
    '年收入': [5000, 10000, 150000, 2000000],
    '账户余额': [100, 1500, 3000, 50000]
})

# 年收入对数变换
data['年收入_log'] = np.log(data['年收入'] + 1)

# 对年龄和账户余额进行 Min-Max 归一化
scaler = MinMaxScaler()
data[['年龄', '账户余额']] = scaler.fit_transform(data[['年龄', '账户余额']])

print(data)

学完《数据预处理之数据转换与归一化》后，不妨换一个自己的场景试一次，重点观察输入、处理和输出是否能对应起来。

如果想把《数据预处理之数据转换与归一化》用到自己的任务里，可以先缩小场景，只验证一个最关键的判断点。

小结

在这部分中，我们详细介绍了数据转换与归一化的概念以及常用的方法。通过对数据进行适当的变换与缩放，能够让后续的模型训练更加高效，提高数据的可预测性，同时也能够减少不同特征之间的干扰。在数据处理完成后，我们可以进入下一步，进行探索性数据分析的描述性分析，以深入理解数据的特征与趋势，为模型选择提供支持。

接下来，我们将探讨探索性数据分析之描述性分析的内容。

6 数据预处理之数据转换与归一化

数据挖掘入门 · 第 6 / 18 篇

数据转换

归一化

实际案例

小结

相关页面

相关 AI 教程

读者留言

留言列表