本文總結的是我們大家在python中常見的數據預處理方法，以下通過sklearn的preprocessing模塊來介紹;
1. 標准化（Standardization or Mean Removal and Variance Scaling)
變換後各維特征有0均值，單位方差。也叫z-score規范化（零均值規范化）。計算方式是將特征值減去均值，除以標准差。
sklearn.preprocessing.scale(X)
一般會把train和test集放在一起做標准化，或者在train集上做標准化後，用同樣的標准化器去標准化test集，此時可以用scaler
scaler = sklearn.preprocessing.StandardScaler().fit(train)
scaler.transform(train)
scaler.transform(test)
實際應用中，需要做特征標准化的常見情景：SVM
2. 最小-最大規范化
最小-最大規范化對原始數據進行線性變換，變換到[0,1]區間（也可以是其他固定最小最大值的區間）
min_max_scaler = sklearn.preprocessing.MinMaxScaler()
min_max_scaler.fit_transform(X_train)
3.規范化（Normalization）
規范化是將不同變化范圍的值映射到相同的固定范圍，常見的是[0,1]，此時也稱為歸一化。
將每個樣本變換成unit norm。
X = [[ 1, -1, 2],[ 2, 0, 0], [ 0, 1, -1]]
sklearn.preprocessing.normalize(X, norm='l2')
得到：
array([[ 0.40, -0.40, 0.81], [ 1, 0, 0], [ 0, 0.70, -0.70]])
可以發現對於每一個樣本都有，0.42+0.42+0.81^2=1,這就是L2 norm，變換後每個樣本的各維特征的平方和為1。類似地，L1 norm則是變換後每個樣本的各維特征的絕對值和為1。還有max norm，則是將每個樣本的各維特征除以該樣本各維特征的最大值。
在度量樣本之間相似性時，如果使用的是二次型kernel，需要做Normalization
4. 特征二值化（Binarization）
給定阈值，將特征轉換為0/1
binarizer = sklearn.preprocessing.Binarizer(threshold=1.1)
binarizer.transform(X)
5. 標簽二值化（Label binarization）
lb = sklearn.preprocessing.LabelBinarizer()
6. 類別特征編碼
有時候特征是類別型的，而一些算法的輸入必須是數值型，此時需要對其編碼。
enc = preprocessing.OneHotEncoder()
enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])
enc.transform([[0, 1, 3]]).toarray() #array([[ 1., 0., 0., 1., 0., 0., 0., 0., 1.]])
上面這個例子，第一維特征有兩種值0和1，用兩位去編碼。第二維用三位，第三維用四位。
另一種編碼方式
newdf=pd.get_dummies(df,columns=["gender","title"],dummy_na=True)
7.標簽編碼（Label encoding）
le = sklearn.preprocessing.LabelEncoder()
le.fit([1, 2, 2, 6])
le.transform([1, 1, 2, 6]) #array([0, 0, 1, 2])
#非數值型轉化為數值型
le.fit(["paris", "paris", "tokyo", "amsterdam"])
le.transform(["tokyo", "tokyo", "paris"]) #array([2, 2, 1])
8.特征中含異常值時
sklearn.preprocessing.robust_scale
9.生成多項式特征
這個其實涉及到特征工程了，多項式特征/交叉特征。
poly = sklearn.preprocessing.PolynomialFeatures(2)
poly.fit_transform(X)
