数据特征预处理，数据降维
处理方法： 1，数值型数据 ： 标准缩放 （1）归一化
（2）标准化
（3）缺失值
2， 类别型数据 ： one-hot 编码
3，时间类型 ： 时间的切分
下面是归一化，标准化，缺失值，（这是小编的笔记）
归一化：通过对原始数据进行转换，把数据映射到，0，1之间。（其实就是把复杂的数据通过公式算法变成简单的0~1之间。）
标准化：通过对原始数据进行转换，把数据转换成均值为0，方差为1的范围。（方差考量数据的稳定数据的稳定性，如果方差为零，表示数据的值是一样的）
#导入包
from sklearn.preprocessingimport StandardScaler
import numpyas np
from sklearn.imputeimport SimpleImputer
def sdandar():
"""
标准化处理
:return: None
"""
#实例化
bzh = StandardScaler()
data = bzh.fit_transform([[1,-1,3],[2,4,2],[4,6,-1]])
print(data)
return None
def inputer():
"""
标准化处理
:return: None
"""
#实例化
qsz = SimpleImputer(strategy='mean')
data = qsz.fit_transform([[1,-1,3],[np.nan,4,2],[4,6,-1]])
print(data)
return None
if __name__ =="__main__":
inputer()
数据的降维：（改变特征的数量）
特征选择的原因：冗余——部分特征的相关度高，容易消耗计算机性能
噪声——部分特征对与预测结果有影响
特征选择的主要方法：Filter过滤式，Embedded嵌入式，Wrapper包裹式
PCA：本质——PCA是一种分析，简化数据集的技术
目的——是数据维数压缩，尽可能降低数据的维数，这样会损失少量的信息
作用——可以削减回归分析或聚类分析中的特征数量
简而言之：小编的理解是，数据特征预处理和降维的核心是提炼数据，去除水分，提高计算机性能的利用。
