🤵‍♂️ 个人主页: @AI_magician
📡主页地址： 作者简介：CSDN内容合伙人，全栈领域优质创作者。
👨‍💻景愿：旨在于能和更多的热爱计算机的伙伴一起成长！！🐱‍🏍
🙋‍♂️声明：本人目前大学就读于大二，研究兴趣方向人工智能&硬件（虽然硬件还没开始玩，但一直很感兴趣！希望大佬带带）

【深度学习 | 核心概念】那些深度学习路上必经的核心概念，确定不来看看？ （一） 作者： 计算机魔术师 版本： 1.0 （ 2023.8.27 ）

---

摘要： 本系列旨在普及那些深度学习路上必经的核心概念，文章内容都是博主用心学习收集所写，欢迎大家三联支持！本系列会一直更新，核心概念系列会一直更新！欢迎大家订阅

该文章收录专栏
[✨— 《深入解析机器学习：从原理到应用的全面指南》 —✨]

数据预处理

处理缺失值

这些方法的选择取决于数据集的特点、缺失值的模式以及所使用的分析方法。在实际应用中，需要根据具体情况选择适当的方法，并进行验证和评估，以确保处理缺失值的有效性和合理性。

当数据存在空值时（除了看缺失值个数，建议看缺失值的比例, 更具有代表性），

# 自定义analysis函数，实现数据信息探索的描述性统计分析和缺失值分析
def analysis(data):print('描述性统计分析结果为：\n', data.describe())print('各属性缺失值占比为：\n', 100*(data.isnull().sum() / len(data)))

名称	介绍	优缺点
删除	删除包含缺失值的数据行或列。	优点：简单快捷，适用于缺失值较少的情况。缺点：可能会丢失有用的信息，特别是当缺失值的模式与其他变量相关时。如果缺失值占比较大，可能导致样本减少。
插补	使用统计方法估计缺失值，并填充数据。常见的插补方法包括均值、中位数、众数、回归等。 或者根据数据实际场景填补, 比如电商手机数据同等系列其他数据可以补充	优点：保留样本量，不会丢失数据。缺点：可能引入估计误差，可能改变数据的分布和关系。插补方法的选择和质量对结果影响较大。
标记	使用特殊值（如NaN、-1）或标签（如"Unknown", “其他”）来标记缺失值。	优点：简单直观，不会改变数据的分布和关系。缺点：在某些算法中可能会引入偏差。处理标记值的方式需要小心，以免引入错误。
分类	将缺失值作为一个特殊的类别对待。	优点：不会丢失信息，适用于缺失值有特别含义的情况。缺点：可能会使数据变得更复杂，某些算法可能需要额外的调整才能处理分类特征。
多重插补	使用多个插补模型，通过迭代的方式进行插补。	优点：可以更准确地估计缺失值，并提供不确定性估计。缺点：计算复杂度较高，可能需要更长 的处理时间。需要小心处理迭代过程中的收敛性和稳定性。
模型预测	使用机器学习模型来预测缺失值。可以使用其他特征作为输入，预测缺失值。	优点：可以更准确地估计缺失值，考虑了特征之间的关系。缺点：计算复杂度较高，需要训练和调整模型。可能会引入模型预测误差。

插补法

对于时间序列的数据，以下几种插值方法比较常用和建议使用：

1. 线性插值：线性插值是最简单和常用的插值方法之一。它假设数据在两个已知数据点之间是线性变化的，通过计算两个已知数据点之间的线性函数来填充空值。线性插值简单、快速，并且可以适用于大多数情况。

2. 拉格朗日插值：拉格朗日插值是一种多项式插值方法，它通过计算一个多项式函数来逼近数据的变化。拉格朗日插值可以更准确地拟合数据的非线性变化，但对于大规模数据集和高阶多项式，计算量可能较大。

3. 样条插值：样条插值是一种平滑的插值方法，通过拟合一条平滑的曲线来逼近数据的变化。样条插值可以处理数据的曲线和趋势变化，常用的样条插值方法包括线性样条插值、三次样条插值等。

4. 时间序列模型插值：对于时间序列数据，可以使用时间序列模型来预测和填充空值。常用的时间序列模型包括ARIMA模型、指数平滑模型、神经网络模型等。这些模型可以根据时间的趋势、季节性等特征来预测未来的数值，并填充空值。

选择插值方法时，应根据时间序列数据的性质和特征选择最适合的方法。对于平稳的时间序列，线性插值或拉格朗日插值可能足够；对于非线性或具有季节性的时间序列，样条插值或时间序列模型插值可能更合适。

此外，还可以根据数据的连续性和周期性来选择插值方法。例如，对于缺失的周期性数据，可以使用周期性插值方法，如周期移动平均或周期性线性插值。

处理重复值

方法名称	方法介绍	优缺点
删除重复值	从数据集中删除所有重复的观测值或行。	优点：简单快捷；缺点：可能会导致数据丢失，特别是在其他列的值也存在差异的情况下。
唯一化	保留数据集中的唯一值，并删除重复的观测值或行。	优点：保留了数据集中的唯一信息；缺点：可能会导致数据丢失，特别是在其他列的值也存在差异的情况下。
标记重复值	标记数据集中的重复值，以便后续分析中可以识别它们。	优点：保留了数据集中的所有信息，并能够识别重复值；缺点：可能会增加数据集的大小，增加后续处理的复杂性。
聚合数据	将重复值聚合成单个值，例如计算平均值或合并文本字符串。	优点：保留了数据集中的所有信息，并提供了汇总的结果；缺点：根据具体情况，可能会引入汇总误差或信息丢失。
保留第一个/最后一个	仅保留重复值中的第一个或最后一个观测值，删除其他重复值。	优点：简单易行；缺点：可能会引入偏差，因为保留的观测值可能不代表整个重复值组的特征。

这些方法可以根据具体的数据集和分析需求选择和调整。在处理重复值之前，通常还需要对数据进行排序，以确保相邻观测值之间的一致性。此外，了解数据集中的重复值产生的原因也是很重要的，这有助于确定最适合的处理方法。

注意在使用pd.drop_duplicates() 选择subset某一列避免全部删除

文本处理

当涉及到自然语言处理（NLP）任务时，文本预处理是一个重要的步骤。它旨在将原始文本数据转换为机器学习算法可以理解和处理的格式。下面是几种常见的文本预处理算法，包括它们的介绍以及优缺点。

名称	介绍	优缺点
分词（Tokenization）	将文本拆分为词（或标记）的过程。常见的方法是使用空格或标点符号来分隔词语。例如jieba库(等 )	优点：简单快速，适用于大多数NLP任务。缺点：无法处理歧义和特殊情况（如缩写词和复合词）。
停用词去除（Stop Word Removal）	停用词是在文本中频繁出现但通常不携带太多信息的单词（如“the”、“is”、“and”等）。该算法的目标是从文本中去除这些停用词。一般来说有现成的停用词, 实际还要根据实际问题去除额外不需要的文本	优点：减少数据维度，提高后续步骤的效果。缺点：有时可能会去除一些重要的上下文信息。
规范化（Normalization）	将文本中的单词转换为标准形式，以消除词形变化对分析的影响。例如，将单词的时态、数目和人称转换为统一形式。	优点：减少词汇的多样性，提高模型的泛化能力。缺点：可能导致一些信息的丢失。
词干提取（Stemming）	通过去除单词的后缀，将单词转换为它的词干形式。例如，将“running”、“runs”和“ran”转换为“run”。	优点：简单快速，适用于一些信息检索任务。缺点：可能得到不是真正存在的词汇形式。
词形还原（Lemmatization）	将单词还原为它的基本形式（称为词元），具有语义上的准确性。例如，将“am”、“are”和“is”还原为“be”。	优点：提供更准确的词汇形式，适用于要求高精度的任务。缺点：计算成本较高，速度较慢。
清洗（Cleaning）	去除文本中的噪声、表情、特殊字符和HTML标签或表情符号（一般是&字母;）等非文本数据。根据数据集去除对目标无用的数据，例如电商数据默认好评”您没有填写内容，默认好评“	优点：提高文本质量，减少不相关的信息。缺点：可能会丢失一些有用的特征。
编码（Encoding）	将文本转换为数字表示形式，以便机器学习算法能够处理。常见的编码方法包括独热编码、词袋模型和词嵌入。	优点：方便算法处理，保留了一定的语义信息。缺点：可能无法捕捉词语之间的关系和上下文信息。

这些算法通常会根据具体任务和数据集的特点进行组合使用。选择适当的文本预处理步骤取决于任务的目标和数据的特点。

						  🤞到这里，如果还有什么疑问🤞🎩欢迎私信博主问题哦，博主会尽自己能力为你解答疑惑的！🎩🥳如果对你有帮助，你的赞是对博主最大的支持！！🥳