本文来自作者 刘明 在 GitChat 上分享 「Python 机器学习 Scikit-learn 完全入门指南」

编辑 | 伏特加

使用 Python 的科研人员，几乎都用过 SciPy。

SciPy 是一个开源的 Python 科学计算库，其中涵盖了科学计算中的各种工具，包括统计、积分、插值、最优化，图像处理等等。

SciPy 可以与 NumPy 合作，高效地进行矩阵计算。而各种不同领域的开发者们，在 SciPy 的基础上发展出许多分支版本，统一称为 Scikits，即 SciPy 工具箱。

而其中应用最广，也是机器学习领域最知名的分支版本，就是本文的主角 Scikit-learn。

Scikit-learn 是基于 Numpy 与 SciPy 两大著名工具包，通常与 pandas、Matplotlib 等开源数据处理框架合作，进行数据挖掘任务。

本文将介绍安装和运行 Scikit-learn 的大体步骤，而后重点讲解 Scikit-learn 框架的几大功能。本文的操作理论上在 Python 3.x 版本下通用，但目前建议在 Python 3.6 版本下使用。

由于本文面向的对象为初学者，大多使用 Windows 系统，所以本文的所有操作，建立在为 64 位的 Windows 10 系统上。

安装和导入 Scikit-learn

此步仅为了文章对 Python 小白友好，老鸟请大胆跳过此步，直接开始学习下面的内容。

由于 Scikit-learn 是基于 Numpy 与 Scipy 等包的支持，所以需要在安装 Scikit-learn 之前安装这些工具包，由于安装这些工具包的过程繁琐，个人建议使用环境管理工具进行安装。

本文的安装是基于 Anaconda 进行的，下载时请注意选择 Python 3.6 版本。由于安装过程极其简单，这里就不再赘述。

安装好 Anaconda 后，可以使用 pip 命令直接安装 Scikit-learn，命令如下：

	pip install scikit-learn

在 Linux 下，可使用以下命令：

	$ sudo pip install -U scikit-learn

前面写上 sudo 是为了防止安装过程中遇到权限问题，如果已取得管理员权限可以省略。

导入 Scikit-learn 也很简单，Scikit-learn 的简写为 sklearn，所以在 Python 中导入 Scikit-learn 的语法为：

	import sklearn

当然，通常的使用以下方法。

	from sklearn import xxx

简单无脑吧！我都觉得讲解安装有点多此一举。

数据预处理

想要使用机器学习进行数据挖掘，首先要导入数据，而最常用的数据集管理包就是 pandas：#。

本文的重点为 Scikit-learn，所以这里不过多讲解 pandas 的内容。

假设，这里有一个 Data.csv 数据集，内容如下图，10 行数据，包括 3 个特征:国家、年龄、薪水，预测的目标为：是否购买了该产品。

先导入数据集，并将特征与目标分别存入 X 与 y 中，命令如下：

	import pandas as pd

dataset = pd.read_csv('Data.csv')
X = dataset.iloc[:,:-1].values
y = dataset.iloc[:,3].values

这时，X 的值为：

	array([['France', 44.0, 72000.0],
['Spain', 27.0, 48000.0],
['Germany', 30.0, 54000.0],
['Spain', 38.0, 61000.0],
['Germany', 40.0, nan],
['France', 35.0, 58000.0],
['Spain', nan, 52000.0],
['France', 48.0, 79000.0],
['Germany', 50.0, 83000.0],
['France', 37.0, 67000.0]])

y 的值为：

	array(['No', 'Yes', 'No', 'No', 'Yes', 'Yes', 'No', 'Yes', 'No', 'Yes'])

可以看出，Age 与 Salary 中都有缺失值。补全缺失值，可以使用 Scikit-learn 库的预处理工具 Imputer。

sklearn.preprocessing.Imputer，将缺失值替换为均值、中位数、众数，下面的例子使用均值作为替换。

	from sklearn.preprocessing import Imputer
imputer = Imputer(missing_values = 'NaN', strategy = 'mean', axis = 0)
imputer.fit(X[:, 1:3])
X[:, 1:3] = imputer.transform(X[:, 1:3])

下面，来具体解析这段代码的含义。

第 1 行，导入 Imputer，其中 Imputer 是一个对象（class）。

第 2 行，实例化 Imputer 类，并命名为 imputer。Imputer 在实例化时，可以传入如下几个值:

• missing_values：缺失值，默认为  NaN，可以为整数或者 NaN（缺失值 numpy.nan 用字符串 NaN 表示）。

• strategy：替换策略，字符串，默认用均值 mean 替换。

• ①若为 mean，用特征列的均值替换；

• ②若为 median，用特征列的中位数替换；

• ③若为 most_frequent ，用特征列的众数替换。

• axis：指定轴号，如果是二维数据，默认 axis=0 代表列，axis=1 代表行。

第 3 行，imputer 实例使用 fit 方法，对特征集 X 进行分析拟合。拟合后，imputer 会产生一个 statistics_ 参数，其值为 X 每列的均值、中位数、众数。

第 4 行，使用 imputer 的 transform 方法填充 X 的值，并重新赋值给 X。

sklearn 大多数据预处理工具的使用方法，都与此相同，主要有以下几点。

1）导入

	from sklearn.preprocessing import Xxx

2）创建实例

	xxx = Xxx(a='xxx', b='yyy', c=.......)

3）对数据集进行分析拟合

	xxx.fit(X_data)

4）对数据集进行变换

	X_data = xxx.transform(X_data)

可以看出，顺序是：

1. 导入库；

2. 实例化；

3. fit；

4. transform。

除了 Imputer，接下来再拿其他的预处理工具举例子。

Binarizer：二值化工具，将数据分为 0 和 1，其只需要传入一个参数 threshold（阈值），其小于或等于该值的数据会变为 0，大于该值的数据会变为 1。

举一个小例子，如下：

	>>> X_data = np.array([[0.3, 0.6], [0.7, 0.5]])#创建数据集>>> from sklearn.preprocessing import Binarizer#导入库>>> binarizer = Binarizer(threshold=0.5)#实例化>>> binarizer.fit(X_data)#fitBinarizer(copy=True, threshold=0.5)>>> X_data = binarizer.transform(X_data)#transform>>> X_data
array([[ 0.,  1.],
[ 1.,  0.]])

简单吧，与我们先前给出的步骤完全相同，即：

1. 导入库；

2. 实例化；

3. fit；

4. transform。

请记住这个顺（套）序（路）！

我们再看一个例子。

LabelEncoder：标签编码工具，将标签编码为数字，其顺序排列基于 ASCII 码。比如，将 “amsterdam”、“paris”、“tokyo” 分别标记为 0、1、2。

下面举一个官方给的例子。

	>>> le = preprocessing.LabelEncoder()>>> le.fit(["paris", "paris", "tokyo", "amsterdam"])
LabelEncoder()>>> le.transform(["tokyo", "tokyo", "paris"])
array([2, 2, 1]...)>>> list(le.inverse_transform([2, 2, 1]))#反向变换['tokyo', 'tokyo', 'paris']

依旧是：

1. 导入库；

2. 实例化；

3. fit；

4. transform。

你记住了吗？

其余预处理工具，如 OneHotEncoder、MaxAbsScaler、PolynomialFeatures 等等，使用方法都与此相同，仅仅是传入的参数有差异。