33
44

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 5 years have passed since last update.

【機械学習】データ前処理 -文字列・欠損値の変換などについて

Last updated at Posted at 2018-03-11

機械学習におけるデータの前処理についてのメモです。

データ前処理の必要性

機械学習でモデルにデータを渡す際には、データの全てが数値であることが求められる。しかし現実のデータが全て綺麗な数字のみで構成されていることは稀であり、文字列が混入していたりデータに欠損があったりすることが多い。

機械学習で扱えるデータ

生年月日 年齢 経験年数
2000/1/1 20 1
2001/1/1 21 2
2002/2/1 22 0

このままでは機械学習で扱えないデータ

生年月日 年齢 経験年数
2000/1/1 20才 一年
2001/1/1 21才 半年
2002/2/1 22才 (空白)

そこで、機械学習モデルにデータを渡す前に、データを綺麗することを目的として行われるのがデータの前処理である。上記のような例以外にも、データを標準化したりすることも本作業の範囲となる。

データ前処理

文字列をダミー変数に変換

データの特徴量が文字列であるとき、個々のデータ(カテゴリ変数)をダミー変数に置き換える方法が用いられる。これを One-hot-Encoding という。

pandas の get_dummies メソッドを使用することで、文字列など数値ではないデータを列の項目として置き換え、1 or 0 の値で表示することができる。

One-Hot-Encodingによる文字列のダミー変数化
import pandas as pd

# 元データ。要素として文字列が含まれている
data1 = pd.DataFrame({'職業':['教師', 'プログラマー', '公務員']})
print(data1)

# 文字列(カテゴリ変数)をダミー変数に変換
new_data1 = pd.get_dummies(data1)
print(new_data1)

データの初期状態

職業
0 教師
1 プログラマー
2 公務員

One-Hot-Encoding後

職業_プログラマー 職業_公務員 職業_教師
0 0 0 1
1 1 0 0
2 0 1 0

欠損値をダミー変数に変換

欠損値の場合でも、上記で用いたOne-Hot-Encodingを用いることができる。
欠損値を扱うことを明示するため、上で使用した get_dummies 関数に、 dummy_na=True というオプションを付ける。

python:One-Hot-Encodingによる欠損値のダミー変数化
import numpy as np

# 2番目と4番目のデータが欠損しているデータ
data2 = pd.DataFrame({'職業':['教師', np.nan, 'プログラマー', np.nan]})
print(data2)

# 欠損値をダミー変数に置き換える
new_data2 = pd.get_dummies(data2, dummy_na=True)
print(new_data2)

データの初期状態

職業
0 教師
1 NaN
2 プログラマー
3 NaN

One-Hot-Encoding後

職業_プログラマー 職業_教師 職業_nan
0 0 1 0
1 0 0 1
2 1 0 0
3 0 0 1

平均値による欠損値の補完

上の例では文字列の欠損であったためOnehotEncodingが使用出来たが、数値データ中の欠損値などに対してはこの方法は望ましくない。
そのような場合には、欠損値を他のデータの平均値で置き換えるという手法をとる。

欠損値の平均値への変換には、 Imputer モデルを使用する。
Imputer では、オプションで変換元データの種別、変換先データの種別を指定して使用する。

欠損値を平均値に変換する
from sklearn.preprocessing import Imputer

# 欠損値を含む数値データ群
data3 = pd.DataFrame({'年収':[3000000, 4000000, 5000000, np.nan]})
print(data3)


## 欠損値を平均値に置き換えるための処理
# 変換モデルImputerに対し、欠損値NaN を 平均値(mean) に変換することを明示
imp = Imputer(missing_values='NaN', strategy='mean')
# モデルImputerに欠損値を含むデータを学習させる
imp.fit(data3)

# 欠損値を平均値に置き換える
new_data3 = pd.DataFrame(imp.transform(data3), columns=data3.columns)
print(new_data3)

データの初期状態

年収
0 3000000.0
1 4000000.0
2 5000000.0
3 NaN

平均値による変換後

年収
0 3000000.0
1 4000000.0
2 5000000.0
3 4000000.0

データの標準化

扱う数値データが大きすぎるとき、その後の扱いが煩雑になる。
そのような場合には、前処理段階でデータを標準化してしまうのが望ましい。
データの標準化には、 StandardScaler モデルを使用する。

データの標準化
from sklearn.preprocessing import StandardScaler

# 規模の大きな数値データ群
data4 = pd.DataFrame({'大きな数値群':[100000000,120000000,140000000]})
print(data4)


## データの標準化を行う準備
# 標準化を行うモデル
std = StandardScaler()
# モデルにデータを学習させる
std.fit(data4)

# データを標準化する
new_data4 = pd.DataFrame(std.transform(data4), columns=data4.columns)
print(new_data4)

データの初期状態

大きな数値群
0 100000000
1 120000000
2 140000000

標準化処理後

大きな数値群
0 -1.224745
1 0.000000
2 1.224745

以上。

33
44
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
33
44

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?