1.无量纲化

1.1 最值归一化（MinMaxScaler）

from sklearn.preprocessing import MinMaxScaler
#区间缩放，返回值为缩放到[0, 1]区间的数据
minMaxScaler  = MinMaxScaler().fit_transform(X_train)

当数据(x)按照最小值中心化后，再按极差（最大值 - 最小值）缩放，数据移动了最小值个单位，并且会被收敛到[0,1]之间,而这个过程，就叫做数据归一化(Normalization，又称Min-Max Scaling)。

缺点：

• 这种方法有一个缺陷就是当有新数据加入时，可能导致max和min的变化，需要重新定义；
• MinMaxScaler对异常值的存在非常敏感。

1.2 均值方差归一化（StandardScaler）

from sklearn.preprocessing import StandardScaler
#标准化，返回值为标准化后的数据
standardScaler  = StandardScaler().fit_transform(X_train)

当数据(x)按均值(μ)中心化后，再按标准差(σ)缩放，数据就会服从为均值为0，方差为1的正态分布（即标准正态分布），就叫做数据标准化(Standardization，又称Z-score normalization)

优点：

• Z-Score最大的优点就是简单，容易计算，Z-Score能够应用于数值型的数据，并且不受数据量级的影响，因为它本身的作用就是消除量级给分析带来的不便。

缺点：

• 估算Z-Score需要总体的平均值与方差，但是这一值在真实的分析与挖掘中很难得到，大多数情况下是用样本的均值与标准差替代；
• Z-Score对于数据的分布有一定的要求，正态分布是最有利于Z-Score计算的；
• Z-Score消除了数据具有的实际意义，A的Z-Score与B的Z-Score与他们各自的分数不再有关系，因此Z-Score的结果只能用于比较数据间的结果，数据的真实意义还需要还原原值；
• 在存在异常值时无法保证平衡的特征尺度。

一般来说，建议优先使用标准化。对于输出有要求时再尝试别的方法，如归一化或者更加复杂的方法。

2.缺失值处理

2.1 impute.SimpleImputer

from sklearn.impute import SimpleImputer
imp_mean = SimpleImputer()
imp_mean = imp_mean.fit_transform(Age)

class sklearn.impute.SimpleImputer (missing_values=nan, strategy=’mean’, fill_value=None, verbose=0,copy=True)

3.处理分类型特征

3.1 标签编码（preprocessing.LabelEncoder）

from sklearn.preprocessing import LabelEncoder
data.iloc[:,-1] = LabelEncoder().fit_transform(data.iloc[:,-1])

LabelEncoder：标签专用，能够将分类转换为分类数值

3.2 特征编（preprocessing.OrdinalEncoder）

from sklearn.preprocessing import OrdinalEncoder
data_.iloc[:,1:-1] = OrdinalEncoder().fit_transform(data_.iloc[:,1:-1])

OrdinalEncoder：特征专用，能够将分类特征转换为分类数值

3.3 哑变量（preprocessing.OneHotEncoder）

from sklearn.preprocessing import OneHotEncoder
X = data.iloc[:,1:-1]
enc = OneHotEncoder(categories='auto').fit(X)
result = enc.transform(X).toarray()
result

OneHotEncoder：独热编码，创建哑变量

4.处理连续型特征

4.1 二值化（preprocessing.Binarizer）

from sklearn.preprocessing import Binarizer
X = data_2.iloc[:,0].values.reshape(-1,1) #类为特征专用，所以不能使用一维数组
transformer = Binarizer(threshold=30).fit_transform(X)

preprocessing.Binarizer：根据阈值将数据二值化（将特征值设置为0或1），用于处理连续型变量

4.2 分段（preprocessing.KBinsDiscretizer）

from sklearn.preprocessing import KBinsDiscretizer
X = data.iloc[:,0].values.reshape(-1,1)
est = KBinsDiscretizer(n_bins=3, encode='ordinal', strategy='uniform')
est.fit_transform(X)

preprocessing.KBinsDiscretizer：将连续型变量划分为分类变量的类，能够将连续型变量排序后按顺序分箱后编码