機器學習基礎與實踐（一）----數據清洗

------------------------------------本博客所有內容以學習、研究和分享為主，如需轉載，請聯繫本人，標明作者和出處，並且是非商業用途，謝謝！--------------------------------

　　想寫這個系列很久了，最近剛好項目結束了閑下來有點時間，於是決定把之前學過的東西做個總結。之前看過一些機器學習方面的書，每本書都各有側重點，機器學習實戰和集體智慧編程更偏向與實戰，側重於對每個演算法的實際操作過程，但是沒有對整個數據挖掘項目做介紹，李航老師的統計學習方法和周志華老師的機器學習這兩本書側重對原理的講解和公式的推導，但是實戰方面可能會少一點。我結合之前看過的書，以及自己的一些項目經驗做了一些總結，一是回顧自己還有哪些遺漏，二是希望給新入門的同學一個參考。至於編程語言，主要用python，也會有少部分R，java和scala之類，畢竟實際項目中也不可能使用一種語言。此外，本系列所用到的所有數據我會傳到Github上，需要的同學可以自行下載。為保證文章質量，每周二周四更新，下面是主要的目錄（可能會根據實際情況調整）：

第一部分 模型的評估與數據處理

機器學習基礎與實踐（一）----數據清洗

機器學習基礎與實踐（二）----數據轉換

機器學習基礎與實踐（三）----數據降維

第二部分 特徵工程

機器學習基礎與實踐（四）----特徵選擇

機器學習基礎與實踐（五）----特徵提取

機器學習基礎與實踐（六）----模型選擇與評估

第三部分 演算法基礎之有監督演算法

機器學習基礎與實踐（七）----廣義線性模型

機器學習基礎與實踐（八）----最小二乘法

機器學習基礎與實踐（九）----LDA

機器學習基礎與實踐（十）----SGD

機器學習基礎與實踐（十一）----K近鄰

機器學習基礎與實踐（十二）----高斯過程

機器學習基礎與實踐（十三）----決策樹（ID3，C4.5，C5.0，CART）

機器學習基礎與實踐（十四）----樸素貝葉斯

機器學習基礎與實踐（十五）----支持向量機

機器學習基礎與實踐（十六）----集成學習（Bagging，RF，AdaBoost，Gradient Tree Boosting，Voting Classifier）

機器學習基礎與實踐（十七）----感知機模型

機器學習基礎與實踐（十八）----多分類演算法

第四部分 演算法基礎之無監督演算法

機器學習基礎與實踐（十九）----K-means

機器學習基礎與實踐（二十）----Affinity propagation

機器學習基礎與實踐（二十一）----Mean-shift

機器學習基礎與實踐（二十二）----Spectral clustering

機器學習基礎與實踐（二十三）----Ward hierachical

機器學習基礎與實踐（二十四）----Agglomerative clustering

機器學習基礎與實踐（二十五）----DBSCAN

機器學習基礎與實踐（二十六）----Gaussian mixtures

機器學習基礎與實踐（二十七）----Birch

第五部分 演算法基礎之推薦演算法

機器學習基礎與實踐（二十八）----相似度計算

機器學習基礎與實踐（二十九）----Arules關聯規則

機器學習基礎與實踐（三十）----Fp-Growth

機器學習基礎與實踐（三十一）----User-based or Item-based

第六部分 演算法基礎之半監督模型

機器學習基礎與實踐（三十二）----Label Propagation

第七部分 演算法基礎之其他模型

機器學習基礎與實踐（三十三）----概率圖模型

機器學習基礎與實踐（三十四）----最大熵模型

機器學習基礎與實踐（三十五）----規則學習

機器學習基礎與實踐（三十六）----強化學習

機器學習基礎與實踐（三十七）----條件隨機場

機器學習基礎與實踐（三十八）----保序回歸（Isotonic regression）

機器學習基礎與實踐（三十九）----Probability calibration

正文：

　　按照我做項目的經驗，來了項目，首先是分析項目的目的和需求，了解這個項目屬於什麼問題，要達到什麼效果。然後提取數據，做基本的數據清洗。第三步是特徵工程，這個屬於臟活累活，需要耗費很大的精力，如果特徵工程做的好，那麼，後面選擇什麼演算法其實差異不大，反之，不管選擇什麼演算法，效果都不會有突破性的提高。第四步，是跑演算法，通常情況下，我會把所有能跑的演算法先跑一遍，看看效果，分析一下precesion/recall和f1-score，看看有沒有什麼異常（譬如有好幾個演算法precision特別好，但是recall特別低，這就要從數據中找原因，或者從演算法中看是不是因為演算法不適合這個數據），如果沒有異常，那麼就進行下一步，選擇一兩個跑的結果最好的演算法進行調優。調優的方法很多，調整參數的話可以用網格搜索、隨機搜索等，調整性能的話，可以根據具體的數據和場景進行具體分析。調優後再跑一邊演算法，看結果有沒有提高，如果沒有，找原因，數據 or 演算法？是數據質量不好，還是特徵問題還是演算法問題。一個一個排查，找解決方法。特徵問題就回到第三步再進行特徵工程，數據質量問題就回到第一步看數據清洗有沒有遺漏，異常值是否影響了演算法的結果，演算法問題就回到第四步，看演算法流程中哪一步出了問題。如果實在不行，可以搜一下相關的論文，看看論文中有沒有解決方法。這樣反覆來幾遍，就可以出結果了，寫技術文檔和分析報告，再向業務人員或產品講解我們做的東西，然後他們再提建議/該需求，不斷循環，最後代碼上線，改bug，直到結項。

　　直觀來看，可以用一個流程圖來表示：

　　今天講數據清洗，為什麼要進行數據清洗呢？我們在書上看到的數據，譬如常見的iris數據集，房價數據，電影評分數據集等等，數據質量都很高，沒有缺失值，沒有異常點，也沒有噪音，而在真實數據中，我們拿到的數據可能包含了大量的缺失值，可能包含大量的噪音，也可能因為人工錄入錯誤導致有異常點存在，對我們挖據出有效信息造成了一定的困擾，所以我們需要通過一些方法，盡量提高數據的質量。數據清洗一般包括以下幾個步驟：

一.分析數據

二.缺失值處理

三.異常值處理

四.去重處理

五.噪音數據處理

六.一些實用的數據處理小工具

一.分析數據

　　在實際項目中，當我們確定需求後就會去找相應的數據，拿到數據後，首先要對數據進行描述性統計分析，查看哪些數據是不合理的，也可以知道數據的基本情況。如果是銷售額數據可以通過分析不同商品的銷售總額、人均消費額、人均消費次數等，同一商品的不同時間的消費額、消費頻次等等，了解數據的基本情況。此外可以通過作圖的方式了解數據的質量，有無異常點，有無噪音等。舉個例子（這裡數據較少，就直接用R作圖了）：

#一組年薪超過10萬元的經理收入pay=c(11,19,14,22,14,28,13,81,12,43,11,16,31,16,23.42,22,26,17,22,13,27,180,16,43,82,14,11,51,76,28,66,29,14,14,65,37,16,37,35,39,27,14,17,13,38,28,40,85,32,25,26,16,12,54,40,18,27,16,14,33,29,77,50,19,34)par(mfrow=c(2,2))#將繪圖窗口改成2*2，可同時顯示四幅圖hist(pay)#繪製直方圖dotchart(pay)#繪製點圖barplot(pay,horizontal=T)#繪製箱型圖qqnorm(pay);qqline(pay)#繪製Q-Q圖

　　從上面四幅圖可以很清楚的看出，180是異常值，即第23個數據需要清理。

　　python中也包含了大量的統計命令，其中主要的統計特徵函數如下圖所示：

二.缺失值處理

　　缺失值在實際數據中是不可避免的問題，有的人看到有缺失的數據就直接刪除了，有的人直接賦予0值或者某一個特殊的值，那麼到底該怎麼處理呢？對於不同的數據場景應該採取不同的策略，首先應該判斷缺失值的分布情況：

1 import scipy as sp2 data = sp.genfromtxt("web_traffic.tsv",delimiter = " ")

數據情況如下：

>>>dataarray([[ 1.00000000e+00, 2.27200000e+03], [ 2.00000000e+00, nan], [ 3.00000000e+00, 1.38600000e+03], ..., [ 7.41000000e+02, 5.39200000e+03], [ 7.42000000e+02, 5.90600000e+03], [ 7.43000000e+02, 4.88100000e+03]])>>> print data[:10][[ 1.00000000e+00 2.27200000e+03] [ 2.00000000e+00 nan] [ 3.00000000e+00 1.38600000e+03] [ 4.00000000e+00 1.36500000e+03] [ 5.00000000e+00 1.48800000e+03] [ 6.00000000e+00 1.33700000e+03] [ 7.00000000e+00 1.88300000e+03] [ 8.00000000e+00 2.28300000e+03] [ 9.00000000e+00 1.33500000e+03] [ 1.00000000e+01 1.02500000e+03]]>>> data.shape(743, 2)

可以看到，第2列已經出現了缺失值，現在我們來看一下缺失值的數量：

1 >>> x = data[:,0]2 >>> y = data[:,1]3 >>> sp.sum(sp.isnan(y))4 8

　　在743個數據里只有8個數據缺失，所以刪除它們對於整體數據情況影響不大。當然，這是缺失值少的情況下，在缺失值值比較多，而這個維度的信息還很重要的時候（因為缺失值如果佔了95%以上，可以直接去掉這個維度的數據了），直接刪除會對後面的演算法跑的結果造成不好的影響。我們常用的方法有以下幾種：

1.直接刪除----適合缺失值數量較小，並且是隨機出現的，刪除它們對整體數據影響不大的情況

2.使用一個全局常量填充---譬如將缺失值用「Unknown」等填充，但是效果不一定好，因為演算法可能會把它識別為一個新的類別，一般很少用

3.使用均值或中位數代替----優點：不會減少樣本信息，處理簡單。缺點：當缺失數據不是隨機數據時會產生偏差.對於正常分布的數據可以使用均值代替，如果數據是傾斜的，使用中位數可能更好。

4.插補法

　　1）隨機插補法----從總體中隨機抽取某個樣本代替缺失樣本

　　2）多重插補法----通過變數之間的關係對缺失數據進行預測，利用蒙特卡洛方法生成多個完整的數據集，在對這些數據集進行分析，最後對分析結果進行匯總處理

　　3）熱平台插補----指在非缺失數據集中找到一個與缺失值所在樣本相似的樣本（匹配樣本），利用其中的觀測值對缺失值進行插補。

　　　　優點：簡單易行，准去率較高

　　　　缺點：變數數量較多時，通常很難找到與需要插補樣本完全相同的樣本。但我們可以按照某些變數將數據分層，在層中對缺失值實用均值插補

　　4)拉格朗日差值法和牛頓插值法（簡單高效，數值分析里的內容，數學公式以後再補 = =）

5.建模法

可以用回歸、使用貝葉斯形式化方法的基於推理的工具或決策樹歸納確定。例如，利用數據集中其他數據的屬性，可以構造一棵判定樹，來預測缺失值的值。

　　以上方法各有優缺點，具體情況要根據實際數據分分布情況、傾斜程度、缺失值所佔比例等等來選擇方法。一般而言，建模法是比較常用的方法，它根據已有的值來預測缺失值，準確率更高。

三.異常值處理

　　異常值我們通常也稱為「離群點」。在講分析數據時，我們舉了個例子說明如何發現離群點，除了畫圖（畫圖其實並不常用，因為數據量多時不好畫圖，而且慢），還有很多其他方法:

1.簡單的統計分析

　　拿到數據後可以對數據進行一個簡單的描述性統計分析，譬如最大最小值可以用來判斷這個變數的取值是否超過了合理的範圍，如客戶的年齡為-20歲或200歲，顯然是不合常理的，為異常值。

在python中可以直接用pandas的describe()：

>>> import pandas as pd>>> data = pd.read_table("web_traffic.tsv",header = None)>>> data.describe() 0 1count 743.000000 735.000000mean 372.000000 1962.165986std 214.629914 860.720997min 1.000000 472.00000025% 186.500000 1391.00000050% 372.000000 1764.00000075% 557.500000 2217.500000max 743.000000 5906.000000

2.3?原則

　　如果數據服從正態分布，在3?原則下，異常值為一組測定值中與平均值的偏差超過3倍標準差的值。如果數據服從正態分布，距離平均值3?之外的值出現的概率為P(|x-u| > 3?) <= 0.003，屬於極個別的小概率事件。如果數據不服從正態分布，也可以用遠離平均值的多少倍標準差來描述。

3.箱型圖分析

　　箱型圖提供了識別異常值的一個標準：如果一個值小於QL01.5IQR或大於OU-1.5IQR的值，則被稱為異常值。QL為下四分位數，表示全部觀察值中有四分之一的數據取值比它小；QU為上四分位數，表示全部觀察值中有四分之一的數據取值比它大；IQR為四分位數間距，是上四分位數QU與下四分位數QL的差值，包含了全部觀察值的一半。箱型圖判斷異常值的方法以四分位數和四分位距為基礎，四分位數具有魯棒性：25%的數據可以變得任意遠並且不會干擾四分位數，所以異常值不能對這個標準施加影響。因此箱型圖識別異常值比較客觀，在識別異常值時有一定的優越性。

4.基於模型檢測

　　首先建立一個數據模型，異常是那些同模型不能完美擬合的對象；如果模型是簇的集合，則異常是不顯著屬於任何簇的對象；在使用回歸模型時，異常是相對遠離預測值的對象

優缺點：1.有堅實的統計學理論基礎，當存在充分的數據和所用的檢驗類型的知識時，這些檢驗可能非常有效；2.對於多元數據，可用的選擇少一些，並且對於高維數據，這些檢測可能性很差。

5.基於距離

　　通常可以在對象之間定義鄰近性度量，異常對象是那些遠離其他對象的對象

優缺點：1.簡單；2.缺點：基於鄰近度的方法需要O(m2)時間，大數據集不適用；3.該方法對參數的選擇也是敏感的；4.不能處理具有不同密度區域的數據集，因為它使用全局閾值，不能考慮這種密度的變化。

6.基於密度

　　當一個點的局部密度顯著低於它的大部分近鄰時才將其分類為離群點。適合非均勻分布的數據。

優缺點：1.給出了對象是離群點的定量度量，並且即使數據具有不同的區域也能夠很好的處理；2.與基於距離的方法一樣，這些方法必然具有O(m2)的時間複雜度。對於低維數據使用特定的數據結構可以達到O(mlogm)；3.參數選擇困難。雖然演算法通過觀察不同的k值，取得最大離群點得分來處理該問題，但是，仍然需要選擇這些值的上下界。

7.基於聚類：

　　基於聚類的離群點：一個對象是基於聚類的離群點，如果該對象不強屬於任何簇。離群點對初始聚類的影響：如果通過聚類檢測離群點，則由於離群點影響聚類，存在一個問題：結構是否有效。為了處理該問題，可以使用如下方法：對象聚類，刪除離群點，對象再次聚類（這個不能保證產生最優結果）。

優缺點：1.基於線性和接近線性複雜度（k均值）的聚類技術來發現離群點可能是高度有效的；2.簇的定義通常是離群點的補，因此可能同時發現簇和離群點；3.產生的離群點集和它們的得分可能非常依賴所用的簇的個數和數據中離群點的存在性；4.聚類演算法產生的簇的質量對該演算法產生的離群點的質量影響非常大。

處理方法：

1.刪除異常值----明顯看出是異常且數量較少可以直接刪除

2.不處理---如果演算法對異常值不敏感則可以不處理，但如果演算法對異常值敏感，則最好不要用，如基於距離計算的一些演算法，包括kmeans，knn之類的。

3.平均值替代----損失信息小，簡單高效。

4.視為缺失值----可以按照處理缺失值的方法來處理

四.去重處理

以DataFrame數據格式為例：

#創建數據，data里包含重複數據>>> data = pd.DataFrame({v1:[a]*5+[b]* 4,v2:[1,2,2,2,3,4,4,5,3]})>>> data v1 v20 a 11 a 22 a 23 a 24 a 35 b 46 b 47 b 58 b 3#DataFrame的duplicated方法返回一個布爾型Series，表示各行是否是重複行>>> data.duplicated()0 False1 False2 True3 True4 False5 False6 True7 False8 Falsedtype: bool#drop_duplicates方法用於返回一個移除了重複行的DataFrame>>> data.drop_duplicates() v1 v20 a 11 a 24 a 35 b 47 b 58 b 3#這兩個方法默認會判斷全部列，你也可以指定部分列進行重複項判斷。假設你還有一列值，且只希望根據v1列過濾重複項：>>> data[v3]=range(9)>>> data v1 v2 v30 a 1 01 a 2 12 a 2 23 a 2 34 a 3 45 b 4 56 b 4 67 b 5 78 b 3 8>>> data.drop_duplicates([v1]) v1 v2 v30 a 1 05 b 4 5#duplicated和drop_duplicates默認保留的是第一個出現的值組合。傳入take_last=True則保留最後一個：>>> data.drop_duplicates([v1,v2],take_last = True) v1 v2 v30 a 1 03 a 2 34 a 3 46 b 4 67 b 5 78 b 3 8

如果數據是列表格式的，有以下幾種方法可以刪除：

list0=[b,c, d,b,c,a,a]方法1：使用set()list1=sorted(set(list0),key=list0.index) # sorted outputprint( list1)方法2：使用 {}.fromkeys().keys()list2={}.fromkeys(list0).keys()print(list2)方法3：set()+sort()list3=list(set(list0))list3.sort(key=list0.index)print(list3)方法4：迭代list4=[]for i in list0: if not i in list4: list4.append(i)print(list4)方法5：排序後比較相鄰2個元素的數據，重複的刪除def sortlist(list0): list0.sort() last=list0[-1] for i in range(len(list0)-2,-1,-1): if list0[i]==last: list0.remove(list0[i]) else: last=list0[i] return list0print(sortlist(list0))

五.噪音處理

　 噪音，是被測量變數的隨機誤差或方差。我們在上文中提到過異常點（離群點），那麼離群點和噪音是不是一回事呢？我們知道，觀測量(Measurement) = 真實數據(True Data) + 雜訊 (Noise)。離群點(Outlier)屬於觀測量，既有可能是真實數據產生的，也有可能是雜訊帶來的，但是總的來說是和大部分觀測量之間有明顯不同的觀測值。。噪音包括錯誤值或偏離期望的孤立點值，但也不能說雜訊點包含離群點，雖然大部分數據挖掘方法都將離群點視為雜訊或異常而丟棄。然而，在一些應用（例如：欺詐檢測），會針對離群點做離群點分析或異常挖掘。而且有些點在局部是屬於離群點，但從全局看是正常的。

　　我在quora上看到過一個解釋噪音與離群點的有趣的例子：

Outlier: you are enumerating meticulously everything you have. You found 3 dimes, 1 quarter and wow a 100 USD bill you had put there last time you bought some booze and had totally forgot there. The 100 USD bill is an outlier, as its not commonly expected in a pocket.

Noise: you have just come back from that club and are pretty much wasted. You try to find some money to buy something to sober up, but you have trouble reading the figures correctly on the coins. You found 3 dimes, 1 quarter and wow a 100 USD bill. But in fact, you have mistaken the quarter for a dime: this mistake introduces noise in the data you have access to.

To put it otherwise, data = true signal + noise. Outliers are part of the data.

翻譯過來就是：

離群點： 你正在從口袋的零錢包裡面窮舉裡面的錢，你發現了3個一角，1個五毛，和一張100元的毛爺爺向你微笑。這個100元就是個離群點，因為並不應該常出現在口袋裡..

雜訊： 你晚上去三里屯喝的酩酊大醉，很需要買點東西清醒清醒，這時候你開始翻口袋的零錢包，嘛，你發現了3個一角，1個五毛，和一張100元的毛爺爺向你微笑。但是你突然眼暈，把那三個一角看成了三個1元...這樣錯誤的判斷使得數據集中出現了雜訊

　　那麼對於噪音我們應該如何處理呢？有以下幾種方法：

1.分箱法

分箱方法通過考察數據的「近鄰」（即，周圍的值）來光滑有序數據值。這些有序的值被分布到一些「桶」或箱中。由於分箱方法考察近鄰的值，因此它進行局部光滑。

• 用箱均值光滑：箱中每一個值被箱中的平均值替換。
• 用箱中位數平滑：箱中的每一個值被箱中的中位數替換。
• 用箱邊界平滑：箱中的最大和最小值同樣被視為邊界。箱中的每一個值被最近的邊界值替換。

一般而言，寬度越大，光滑效果越明顯。箱也可以是等寬的，其中每個箱值的區間範圍是個常量。分箱也可以作為一種離散化技術使用.

2. 回歸法

　　可以用一個函數擬合數據來光滑數據。線性回歸涉及找出擬合兩個屬性（或變數）的「最佳」直線，使得一個屬性能夠預測另一個。多線性回歸是線性回歸的擴展，它涉及多於兩個屬性，並且數據擬合到一個多維面。使用回歸，找出適合數據的數學方程式，能夠幫助消除雜訊。

六.一些實用的數據處理小工具

1.去掉文件中多餘的空行

空行主要指的是（
,
,
,

等），在python中有個strip()的方法，該方法可以去掉字元串兩端多餘的「空白」，此處的空白主要包括空格，製表符( )，換行符。不過親測以後發現，strip()可以匹配掉
,
,

等，但是過濾不掉單獨的
。為了萬無一失，我還是喜歡用麻煩的辦法，如下：

2.如何判斷文件的編碼格式

#-*- coding:utf8 -*-#批量處理編碼格式轉換（優化）import osimport chardetpath1 = E://2016txtutf/def dirlist(path): filelist = os.listdir(path) for filename in filelist: filepath = os.path.join(path, filename) if os.path.isdir(filepath): dirlist(filepath) else: if filepath.endswith(.txt): f = open(filepath) data = f.read() if chardet.detect(data)[encoding] != utf-8: print filepath + "----"+ chardet.detect(data)[encoding]dirlist(path1)

3.文件編碼格式轉換，gbk與utf-8之間的轉換

這個主要是在一些對文件編碼格式有特殊需求的時候，需要批量將gbk的轉utf-8的或者將utf-8編碼的文件轉成gbk編碼格式的。

#-*- coding:gbk -*- #批量處理編碼格式轉換import codecsimport ospath1 = E://dir/def ReadFile(filePath,encoding="utf-8"): with codecs.open(filePath,"r",encoding) as f: return f.read() def WriteFile(filePath,u,encoding="gbk"): with codecs.open(filePath,"w",encoding) as f: f.write(u) def UTF8_2_GBK(src,dst): content = ReadFile(src,encoding="utf-8") WriteFile(dst,content,encoding="gbk")def GBK_2_UTF8(src,dst): content = ReadFile(src,encoding="gbk") WriteFile(dst,content,encoding="utf-8") def dirlist(path): filelist = os.listdir(path) for filename in filelist: filepath = os.path.join(path, filename) if os.path.isdir(filepath): dirlist(filepath) else: if filepath.endswith(.txt): print filepath #os.rename(filepath, filepath.replace(.txt,.doc)) try: UTF8_2_GBK(filepath,filepath) except Exception,ex: f = open(error.txt,a) f.write(filepath +
) f.close()dirlist(path1)

剛寫完比較粗糙，以後會不斷修改。下篇寫數據轉換方面的內容，包括標準化，歸一化正則化等。如果有錯誤，歡迎指正！

ps：聲明一下，上周發現知乎大V某某大師抄襲我的【原】數據分析/數據挖掘/機器學習---- 必讀書目，雖然只是自己平常讀書的一些記錄，但是也是我的文字，不想被抄襲，如需轉載，請聯繫本人，署名並標明出處，且是非商業用途，謝謝~！

參考文獻：

1.http://blog.csdn.net/u012950655/article/details/16946021

2.http://my.oschina.net/dfsj66011/blog/601546

3.http://www.cnblogs.com/nzyjlr/p/4174145.html

4.https://www.quora.com/What-is-the-basic-difference-between-noise-and-outliers-in-Data-mining

6.《數據挖掘：概念與技術》，Jiawei Han Micheline Kamber Jian Pei

作者：胡曉曼 Python愛好者社區專欄作者，請勿轉載，謝謝。

博客專欄：CharlotteDataMining的博客專欄

配套視頻教程：三個月教你從零入門深度學習！| 深度學習精華實踐課程

公眾號：Python愛好者社區（微信ID：python_shequ），關注，查看更多連載內容。

推薦閱讀：