１.ライブラリのインポート
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
２.csvファイルのインポート
pd.read_csv(csvファイル名)
csvファイルをインポート
.iloc[:,:-1]
目的変数と説明変数に分ける。あらかじめ末尾に目的変数を持ってくると汎用性高い。
# csvファイルのインポート
dataset = pd.read_csv('hoge.csv')
#目的変数と説明変数に分ける
X = dataset.iloc[:, :-1].values
y = dataset.iloc[:, -1].values
３.欠損値処理
scikit-learn の SimpleImputer を用いる。
[1:4] (1〜3列目) のnull を mean(平均値) で埋める。
.fit()で内部で演算する。
.transform()で実際に変換してくれる。
from sklearn.impute import SimpleImputer
imputer = SimpleImputer(missing_values=np.nan, strategy='mean')
imputer.fit(X[:, 1:4])
X[:, 1:4] = imputer.transform(X[: ,1:4])
４.カテゴリ変数処理
列をtransformすると同時に、OneHotEncodingを行う。
scikit-learnは本当に便利。
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import OneHotEncoder
ct = ColumnTransformer(transformers=[('encoder', OneHotEncoder(), [0])], remainder='passthrough')
X = np.array(ct.fit_transform(X))
OneHotEncodingのように列を増やさず、
はい/いいえ とか True/Falseとか生/死とかを0/1で表現するには以下。
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
y = le.fit_transform(y)
５.trainデータとtestデータに分ける
random_state を1にしない（0にする）と毎回分けられるデータが違ってしまう。
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.3, random_state = 1)
６.フィーチャースケーリング
敷地面積 と 住宅価格 のように単位が異なる（数字の大きさが異なる）変数の重みを
StandardScaler()で同じにするイメージ。
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train[:, 4:] = sc.fit_transform(X_train[:, 4:])
X_test[:, 4:] = sc.transform(X_test[:, 4:])