數(shù)據(jù)清洗

數(shù)據(jù)清洗是數(shù)據(jù)預(yù)處理的核心步驟，旨在修正或移除數(shù)據(jù)集中的錯(cuò)誤、不完整、重復(fù)或不一致的部分，為后續(xù)分析和建模提供可靠基礎(chǔ)。以下是數(shù)據(jù)清洗的詳細(xì)流程、方法和實(shí)戰(zhàn)示例：

---

一、數(shù)據(jù)清洗的核心任務(wù)

問題類型	表現(xiàn)示例	影響
缺失值	數(shù)值型字段為空（NaN）	模型無法處理缺失值，導(dǎo)致訓(xùn)練中斷或偏差
異常值	年齡=200歲，房?jī)r(jià)=-100萬(wàn)	扭曲統(tǒng)計(jì)指標(biāo)（如均值），降低模型泛化性
重復(fù)數(shù)據(jù)	兩行記錄完全相同	導(dǎo)致模型過擬合，降低數(shù)據(jù)代表性
不一致數(shù)據(jù)	日期格式混亂（2023-09-01 vs 01/09/23）	解析錯(cuò)誤，特征提取失敗

---

二、數(shù)據(jù)清洗流程與工具

1. 缺失值處理

• 檢測(cè)缺失值：

  # 統(tǒng)計(jì)每列缺失比例
  missing_ratio = data.isnull().mean() * 100
  print(missing_ratio.sort_values(ascending=False))
  

• 處理方法：

  方法	適用場(chǎng)景	代碼示例
  直接刪除	缺失比例高（>80%）或無關(guān)字段	data.dropna(axis=1, thresh=len(data)*0.2)
  均值/中位數(shù)填充	數(shù)值型字段，缺失隨機(jī)分布	data['age'].fillna(data['age'].median(), inplace=True)
  眾數(shù)填充	類別型字段	data['gender'].fillna(data['gender'].mode()[0], inplace=True)
  插值法	時(shí)間序列數(shù)據(jù)（如溫度記錄）	data['temperature'].interpolate(method='time', inplace=True)
  模型預(yù)測(cè)填充	復(fù)雜場(chǎng)景（如多變量關(guān)聯(lián)缺失）	使用KNN或隨機(jī)森林預(yù)測(cè)缺失值（見下方代碼）

  KNN填充示例：

  from sklearn.impute import KNNImputer
  imputer = KNNImputer(n_neighbors=5)
  data_filled = pd.DataFrame(imputer.fit_transform(data), columns=data.columns)
  

---

2. 異常值處理

• 檢測(cè)方法：

  • 描述性統(tǒng)計(jì)：檢查最小/最大值是否合理

    print(data.describe())
    

  • 箱線圖（Boxplot）：

    plt.figure(figsize=(8,4))
    sns.boxplot(x=data['income'])
    plt.title("Income Distribution")
    plt.show()
    

  • Z-Score法（正態(tài)分布數(shù)據(jù)）：

    z_scores = (data['value'] - data['value'].mean()) / data['value'].std()
    outliers = data[abs(z_scores) > 3]  # Z>3為異常
    

  • IQR法（非正態(tài)分布數(shù)據(jù)）：

    Q1 = data['age'].quantile(0.25)
    Q3 = data['age'].quantile(0.75)
    IQR = Q3 - Q1
    lower_bound = Q1 - 1.5 * IQR
    upper_bound = Q3 + 1.5 * IQR
    

• 處理方法：

  方法	代碼示例
  刪除異常值	data = data[(data['age'] >= 0) & (data['age'] <= 100)]
  截?cái)?#xff08;Winsorize）	from scipy.stats.mstats import winsorize<br>data['income'] = winsorize(data['income'], limits=[0.05, 0.05])
  分箱（Binning）	data['age_bin'] = pd.cut(data['age'], bins=[0,18,35,60,100])

---

3. 重復(fù)數(shù)據(jù)處理

• 檢測(cè)與刪除：

  # 檢測(cè)完全重復(fù)的行
  duplicates = data.duplicated()
  print(f"重復(fù)行數(shù)量: {duplicates.sum()}")# 刪除重復(fù)行（保留第一個(gè)出現(xiàn)值）
  data.drop_duplicates(keep='first', inplace=True)
  

• 部分重復(fù)處理（如用戶ID重復(fù)但信息不同）：

  # 按關(guān)鍵字段去重（如用戶ID）
  data.drop_duplicates(subset=['user_id'], keep='last', inplace=True)
  

---

4. 不一致數(shù)據(jù)修正

• 格式統(tǒng)一：

  # 日期格式標(biāo)準(zhǔn)化
  data['date'] = pd.to_datetime(data['date'], format='mixed')# 文本大小寫統(tǒng)一
  data['category'] = data['category'].str.lower()# 單位統(tǒng)一（如貨幣轉(zhuǎn)換）
  data['price'] = data['price'].apply(lambda x: x * 6.5 if 'USD' in x else x
  )
  

• 邏輯校驗(yàn)：

  # 檢查年齡與出生日期是否一致
  current_year = pd.Timestamp.now().year
  data['calculated_age'] = current_year - data['birth_year']
  invalid_age = data[abs(data['age'] - data['calculated_age']) > 1]
  

---

三、實(shí)戰(zhàn)案例：電商訂單數(shù)據(jù)清洗

原始數(shù)據(jù)問題

import pandas as pd
data = pd.DataFrame({'order_id': [101, 102, 103, 104, 105, 106],'user_id': [1, 2, 2, 3, 4, None],'price': [29.9, 199.0, 199.0, -50.0, 89.9, 120.0],'order_date': ['2023-09-01', '01/09/2023', '2023-09-01', '2023-10-32', None, '2023-09-05']
})

清洗步驟

1. 處理缺失值：

   # 填充user_id缺失值（假設(shè)新用戶ID為999）
   data['user_id'].fillna(999, inplace=True)# 刪除order_date缺失的行
   data.dropna(subset=['order_date'], inplace=True)
   

2. 修正異常價(jià)格：

   # 刪除價(jià)格為負(fù)的訂單
   data = data[data['price'] > 0]# 截?cái)鄡r(jià)格超過200的訂單（假設(shè)業(yè)務(wù)上限為200）
   data['price'] = data['price'].clip(upper=200)
   

3. 標(biāo)準(zhǔn)化日期格式：

   # 轉(zhuǎn)換日期并過濾無效日期（如2023-10-32）
   data['order_date'] = pd.to_datetime(data['order_date'], errors='coerce')
   data.dropna(subset=['order_date'], inplace=True)
   

4. 去重：

   # 按user_id和order_date去重（保留最后一條）
   data.drop_duplicates(subset=['user_id', 'order_date'], keep='last', inplace=True)
   

清洗后數(shù)據(jù)

order_id	user_id	price	order_date
101	1	29.9	2023-09-01
102	2	199.0	2023-09-01
105	4	89.9	NaT（已刪除）
106	999	120.0	2023-09-05

---

四、注意事項(xiàng)

1. 避免過度清洗：保留合理的數(shù)據(jù)多樣性（如正常的價(jià)格波動(dòng)）。
2. 記錄清洗日志：跟蹤每一步操作的影響（如刪除了多少行數(shù)據(jù)）。
3. 業(yè)務(wù)規(guī)則優(yōu)先：與領(lǐng)域?qū)＜掖_認(rèn)異常定義（如“用戶年齡>100是否合理”）。
4. 自動(dòng)化流水線：對(duì)持續(xù)更新的數(shù)據(jù)，使用Pipeline封裝清洗步驟：

   from sklearn.pipeline import Pipelineclean_pipeline = Pipeline([('fill_na', SimpleImputer(strategy='constant', fill_value=999)),('remove_duplicates', DropDuplicates(subset=['user_id'])),('clip_outliers', ColumnTransformer([('clip', FunctionTransformer(lambda x: x.clip(0, 200)), ['price'])])),
   ])
   

---

數(shù)據(jù)變換

以下是對(duì)數(shù)據(jù)變換的更緊湊、更細(xì)節(jié)化的總結(jié)，突出核心要點(diǎn)與實(shí)用技巧：

---

一、標(biāo)準(zhǔn)化/歸一化：核心差異

方法	公式	適用場(chǎng)景	異常值敏感度	Scikit-learn工具
Z-score	$$z=\frac{x?\mu }{\sigma }$$	數(shù)據(jù)近似正態(tài)分布，線性模型（SVM、回歸）	高	StandardScaler
Min-Max	$$x^{\prime }=\frac{x?x_{\min }}{x_{\max }?x_{\min }}$$	圖像像素、神經(jīng)網(wǎng)絡(luò)輸入層	高	MinMaxScaler
Robust	$$x^{\prime }=\frac{x?\text{median}}{IQR}$$	存在異常值，非正態(tài)分布	低	RobustScaler

關(guān)鍵技巧：

• 樹模型（如隨機(jī)森林、XGBoost）無需標(biāo)準(zhǔn)化，但對(duì)特征組合敏感的模型（FM、NN）需要。
• 歸一化到[-1,1]可能對(duì)某些激活函數(shù)（如tanh）更友好。

---

二、非線性變換：快速選擇

1. 對(duì)數(shù)變換：右偏數(shù)據(jù)（如收入），用np.log1p避免零值。
2. Box-Cox變換：需數(shù)據(jù)嚴(yán)格為正，自動(dòng)優(yōu)化λ值（scipy.stats.boxcox）。
3. 分位數(shù)變換：強(qiáng)制數(shù)據(jù)服從均勻/正態(tài)分布（QuantileTransformer）。

示例代碼：

from sklearn.preprocessing import PowerTransformer
pt = PowerTransformer(method='yeo-johnson')  # 兼容零/負(fù)值
X_transformed = pt.fit_transform(X)

---

三、分類變量編碼：場(chǎng)景化方案

方法	優(yōu)點(diǎn)	缺點(diǎn)	適用模型
One-Hot	無順序假設(shè)，兼容所有模型	高維稀疏，需處理共線性	線性模型、神經(jīng)網(wǎng)絡(luò)
Target編碼	保留類別與目標(biāo)的關(guān)系	需防過擬合（如交叉驗(yàn)證）	樹模型、高基數(shù)類別
Embedding	低維稠密，捕捉語(yǔ)義相似性	需預(yù)訓(xùn)練或端到端學(xué)習(xí)	深度學(xué)習(xí)（NLP/推薦系統(tǒng)）

關(guān)鍵點(diǎn)：

• 高基數(shù)類別優(yōu)先用Target Encoding或CatBoost內(nèi)置處理。
• 樹模型可嘗試Label Encoding，但需驗(yàn)證類別順序是否合理。

---

四、特征工程：高效操作

1. 數(shù)值特征：
   • 交叉特征：加減乘除（如電商中“單價(jià)×購(gòu)買量=總金額”）。
   • 分箱：等頻分箱（pd.qcut）或等寬分箱（pd.cut），捕捉非線性。
2. 時(shí)間特征：
   • 提取周期性（星期、月份），滑動(dòng)窗口統(tǒng)計(jì)（均值、標(biāo)準(zhǔn)差）。
3. 文本特征：
   • 短文本用TF-IDF，長(zhǎng)文本用BERT嵌入，高維稀疏時(shí)用TruncatedSVD降維。

代碼示例：

# 時(shí)間特征處理
df['hour'] = df['timestamp'].dt.hour
df['is_weekend'] = df['timestamp'].dt.weekday >= 5

---

五、降維：選擇策略

方法	核心思想	適用場(chǎng)景	注意事項(xiàng)
PCA	線性投影最大化方差	高維數(shù)據(jù)可視化/去噪	需先標(biāo)準(zhǔn)化，可能丟失非線性信息
t-SNE	非線性保留局部結(jié)構(gòu)	可視化高維聚類	計(jì)算代價(jià)高，不用于特征輸入
UMAP	平衡速度與局部/全局結(jié)構(gòu)	大規(guī)模數(shù)據(jù)可視化/預(yù)處理	參數(shù)敏感，需調(diào)參

經(jīng)驗(yàn)：

• 輸入特征>50時(shí)優(yōu)先用PCA，保留95%方差（n_components=0.95）。
• 避免對(duì)樹模型使用降維，可能破壞特征重要性。

---

六、避坑指南

1. 數(shù)據(jù)泄露：
   • 所有變換必須僅用訓(xùn)練集統(tǒng)計(jì)量！用Pipeline確保流程：

     from sklearn.pipeline import make_pipeline
     pipe = make_pipeline(StandardScaler(), SVM())
     pipe.fit(X_train, y_train)
     

2. 異常值處理：
   • 縮尾處理（np.clip）或中位數(shù)填充，避免破壞分布。
3. 評(píng)估驗(yàn)證：
   • 對(duì)KNN、SVM等敏感模型，對(duì)比不同縮放方法的分類邊界（如決策邊界圖）。

---

七、端到端流程

1. 輸入檢查：分布（直方圖/Q-Q圖）、缺失值、異常值。
2. 數(shù)值特征：縮放→非線性變換→分箱。
3. 分類特征：編碼→嵌入（可選）。
4. 特征構(gòu)造：領(lǐng)域知識(shí)驅(qū)動(dòng)交叉/聚合。
5. 輸出驗(yàn)證：模型在驗(yàn)證集的表現(xiàn)波動(dòng)是否<5%。

---

總結(jié)：數(shù)據(jù)變換需與模型特性深度耦合，通過實(shí)驗(yàn)迭代優(yōu)化。記住：“Garbage in, garbage out”——寧可花80%時(shí)間在數(shù)據(jù)準(zhǔn)備，而非調(diào)參！

---

特征工程

特征工程：從原始數(shù)據(jù)到模型燃料的核心技術(shù)

特征工程是機(jī)器學(xué)習(xí)的“煉金術(shù)”，旨在將原始數(shù)據(jù)轉(zhuǎn)化為模型可理解的強(qiáng)特征，直接影響模型性能上限。以下是結(jié)構(gòu)化拆解：

---

一、核心目標(biāo)與價(jià)值

• 目標(biāo)：構(gòu)造高信息量、低冗余、適配模型的特征。
• 價(jià)值：
  • 提升模型準(zhǔn)確率（如添加用戶歷史行為統(tǒng)計(jì)特征）
  • 降低計(jì)算成本（通過降維/特征選擇）
  • 增強(qiáng)可解釋性（如分箱后的年齡組代替原始值）

---

二、特征構(gòu)造：從原始數(shù)據(jù)中“挖掘金子”

1. 時(shí)間特征

   • 基礎(chǔ)字段：年、月、日、小時(shí)、星期幾、是否節(jié)假日
   • 衍生特征：時(shí)間間隔（如上次購(gòu)買距今的天數(shù)）、滑動(dòng)窗口統(tǒng)計(jì)（過去7天均值）

   df['purchase_hour'] = df['timestamp'].dt.hour
   df['days_since_last_purchase'] = (current_date - df['last_purchase_date']).dt.days
   

2. 交互特征（組合特征）

   • 數(shù)值交互：加減乘除（如“單價(jià)×數(shù)量=總價(jià)”）
   • 類別交叉：笛卡爾積（如“地區(qū)×產(chǎn)品類型”生成組合標(biāo)簽）

   df['price_per_sqmeter'] = df['total_price'] / df['area']
   

3. 統(tǒng)計(jì)聚合特征

   • 單維度統(tǒng)計(jì)：用戶歷史購(gòu)買金額的均值、最大值、方差
   • 跨表關(guān)聯(lián)：訂單表按用戶ID聚合的訂單數(shù)、退貨率

   user_stats = orders.groupby('user_id')['amount'].agg(['mean', 'max'])
   

4. 文本/圖像特征

   • 文本：TF-IDF關(guān)鍵詞權(quán)重、BERT句向量、情感分析得分
   • 圖像：邊緣特征、顏色直方圖、預(yù)訓(xùn)練CNN提取的特征圖

---

三、特征變換：提升模型適配性

1. 分箱（Binning）

   • 等寬分箱：固定區(qū)間寬度（如年齡每10年一檔）
   • 等頻分箱：保證每箱樣本量均衡
   • 模型分箱：使用決策樹尋找最優(yōu)分割點(diǎn)

   df['age_bin'] = pd.cut(df['age'], bins=[0,18,35,60,100], labels=['child', 'young', 'adult', 'senior'])
   

2. 非線性變換

   • 對(duì)數(shù)變換：處理右偏分布（np.log1p避免零值）
   • Box-Cox變換：自動(dòng)優(yōu)化正態(tài)性（僅適用于正值）
   • 分位數(shù)變換：強(qiáng)制服從指定分布（如正態(tài)、均勻）

3. 高基數(shù)類別處理

   • 目標(biāo)編碼（Target Encoding）：用目標(biāo)變量的統(tǒng)計(jì)量（如均值）代替類別
   • 頻率編碼：使用類別出現(xiàn)頻率作為特征值
   • 嵌入編碼（Embedding）：通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)低維表示（如Word2Vec）

---

四、特征選擇：剔除噪聲與冗余

方法	原理	適用場(chǎng)景
過濾法	基于統(tǒng)計(jì)指標(biāo)（如方差、卡方檢驗(yàn)）	快速初篩，計(jì)算成本低
包裹法	通過模型性能迭代選擇特征子集	精確但計(jì)算代價(jià)高（遞歸特征消除）
嵌入法	模型訓(xùn)練中自動(dòng)選擇（如L1正則化）	與模型耦合，高效

實(shí)用技巧：

• 對(duì)樹模型，直接使用feature_importances_篩選重要性>閾值特征
• 對(duì)線性模型，結(jié)合Lasso回歸的系數(shù)稀疏性做特征剔除

---

五、自動(dòng)化特征工程工具

1. FeatureTools：自動(dòng)生成跨表聚合特征（如“用戶最近3次登錄時(shí)間標(biāo)準(zhǔn)差”）
2. TSFresh：針對(duì)時(shí)間序列自動(dòng)提取數(shù)百種統(tǒng)計(jì)特征（如自相關(guān)性、傅里葉變換系數(shù)）
3. AutoFeat：自動(dòng)構(gòu)造多項(xiàng)式特征并進(jìn)行顯著性篩選

# FeatureTools示例
import featuretools as ft
es = ft.EntitySet()
es = es.entity_from_dataframe(entity_id='users', dataframe=users_df, index='user_id')
features, feature_defs = ft.dfs(entityset=es, target_entity='users')

---

六、避坑指南與最佳實(shí)踐

1. 避免數(shù)據(jù)泄露：

   • 所有統(tǒng)計(jì)量（如Target Encoding的均值）必須僅從訓(xùn)練集計(jì)算！
   • 使用Pipeline封裝預(yù)處理與模型訓(xùn)練：

     from sklearn.pipeline import Pipeline
     pipe = Pipeline([('encoder', TargetEncoder()), ('model', RandomForest())])
     

2. 領(lǐng)域知識(shí)驅(qū)動(dòng)：

   • 在電商場(chǎng)景中，構(gòu)造“商品價(jià)格與類目平均價(jià)格的比值”可能比單純價(jià)格更有效
   • 在風(fēng)控場(chǎng)景中，組合“申請(qǐng)時(shí)間與工作時(shí)段的重疊度”作為特征

3. 迭代驗(yàn)證：

   • 通過AB測(cè)試對(duì)比不同特征組合的模型性能
   • 監(jiān)控特征穩(wěn)定性（如PSI指標(biāo)）防止線上數(shù)據(jù)分布偏移

---

七、終極心法

• “Less is More”：優(yōu)先構(gòu)造10個(gè)強(qiáng)特征，而非100個(gè)弱特征。
• “Think Like a Model”：理解模型如何利用特征（如線性模型依賴線性可分性，NN偏好稠密低維輸入）。
• “Data First, Algorithm Second”：特征工程提升的上限遠(yuǎn)高于調(diào)參！

---

總結(jié)：特征工程是融合領(lǐng)域知識(shí)、數(shù)據(jù)直覺與工程技巧的藝術(shù)。掌握核心方法后，需在業(yè)務(wù)場(chǎng)景中反復(fù)迭代，才能煉出“模型友好”的金牌特征。

---