更多干貨就在我的個人博客 http://blackblog.tech 歡迎關注！
sklearn是機器學習中一個常用的python第三方模塊，對常用的機器學習算法進行了封裝
其中包括：
1.分類（Classification）
2.回歸（Regression）
3.聚類（Clustering）
4.數據降維（Dimensionality reduction）
5.常用模型（Model selection）
6.數據預處理（Preprocessing）
本文將從sklearn的安裝開始講解，由淺入深，逐步上手sklearn。
sklearn官網：http://scikit-learn.org/stable/index.html
sklearn API：http://scikit-learn.org/stable/modules/classes.html#module-sklearn.preprocessing
skleran安裝
sklearn的目前版本是0.19.1
依賴包：
Python (>=2.6或>=3.3)
NumPy(>=1.6.1)
SciPy(>=0.9)
使用pip安裝，terminal直接執行即可
pip install -U scikit-learn
使用Anaconda安裝，推薦Anaconda，因為里面已經內置了NumPy，SciPy等常用工具
conda install scikit-learn
安裝完成后可以在python中檢查一下版本，import sklearn不報錯，則表示安裝成功
>>import sklearn
>>sklearn.__version__
'0.19.1'
獲取數據
機器學習算法往往需要大量的數據，在skleran中獲取數據通常采用兩種方式，一種是使用自帶的數據集，另一種是創建數據集
導入數據集
sklearn自帶了很多數據集，可以用來對算法進行測試分析，免去了自己再去找數據集的煩惱
其中包括：
鳶尾花數據集:load_iris()
手寫數字數據集:load_digitals()
糖尿病數據集:load_diabetes()
乳腺癌數據集:load_breast_cancer()
波士頓房價數據集:load_boston()
體能訓練數據集:load_linnerud()
這里以鳶尾花數據集為例導入數據集
#導入sklearn的數據集
import sklearn.datasets as sk_datasets
iris = sk_datasets.load_iris()
iris_X = iris.data #導入數據
iris_y = iris.target #導入標簽
創建數據集
使用skleran的樣本生成器(samples generator)可以創建數據，sklearn.datasets.samples_generator中包含了大量創建樣本數據的方法。
這里以分類問題創建樣本數據
import sklearn.datasets.samples_generator as sk_sample_generator
X,y=sk_sample_generator.make_classification(n_samples=6,n_features=5,n_informative=2,n_redundant=3,n_classes=2,n_clusters_per_class=2,scale=1,random_state=20)
for x_,y_ in zip(X,y):
print(y_,end=": ")
print(x_)
參數說明：
n_features :特征個數= n_informative（） + n_redundant + n_repeated
n_informative：多信息特征的個數
n_redundant：冗余信息，informative特征的隨機線性組合
n_repeated ：重復信息，隨機提取n_informative和n_redundant 特征
n_classes：分類類別
n_clusters_per_class ：某一個類別是由幾個cluster構成的
random_state：隨機種子，使得實驗可重復
n_classes*n_clusters_per_class 要小于或等于 2^n_informative
打印結果：
0: [ 0.64459602 0.92767918 -1.32091378 -1.25725859 -0.74386837]
0: [ 1.66098845 2.22206181 -2.86249859 -3.28323172 -1.62389676]
0: [ 0.27019475 -0.12572907 1.1003977 -0.6600737 0.58334745]
1: [-0.77182836 -1.03692724 1.34422289 1.52452016 0.76221055]
1: [-0.1407289 0.32675611 -1.41296696 0.4113583 -0.75833145]
1: [-0.76656634 -0.35589955 -0.83132182 1.68841011 -0.4153836 ]
數據集的劃分
機器學習的過程正往往需要對數據集進行劃分，常分為訓練集，測試集。sklearn中的model_selection為我們提供了劃分數據集的方法。
以鳶尾花數據集為例進行劃分
import sklearn.model_selection as sk_model_selection
X_train,X_test,y_train,y_test = sk_model_selection.train_test_split(iris_X,iris_y,train_size=0.3,random_state=20)
參數說明：
arrays：樣本數組，包含特征向量和標簽
test_size：
float-獲得多大比重的測試樣本 （默認：0.25）
int - 獲得多少個測試樣本
train_size: 同test_size
random_state:int - 隨機種子（種子固定，實驗可復現）
shuffle - 是否在分割之前對數據進行洗牌（默認True）
后面我們訓練模型使用的數據集都基于此
數據預處理
我們為什么要進行數據預處理？
通常，真實生活中，我們獲得的數據中往往存在很多的無用信息，甚至存在錯誤信息，而機器學習中有一句話叫做"Garbage in，Garbage out"，數據的健康程度對于算法結果的影響極大。數據預處理就是讓那些冗余混亂的源數據變得能滿足其應用要求。
當然，僅僅是數據預處理的方法就可以寫好幾千字的文章了，在這里只談及幾個基礎的數據預處理的方法。
skleran中為我們提供了一個數據預處理的package：preprocessing，我們直接導入即可
import sklearn.preprocessing as sk_preprocessing
下面的例子我們使用:[[1, -1, 2], [0, 2, -1], [0, 1, -2]]做為初始數據。
數據的歸一化
基于mean和std的標準化
scaler = sk_preprocessing.StandardScaler().fit(X)
new_X = scaler.transform(X)
print('基于mean和std的標準化:',new_X)
打印結果:
基于mean和std的標準化:
[[ 1.41421356 -1.33630621 1.37281295]
[-0.70710678 1.06904497 -0.39223227]
[-0.70710678 0.26726124 -0.98058068]]
規范化到一定區間內 feature_range為數據規范化的范圍
scaler = sk_preprocessing.MinMaxScaler(feature_range=(0,1)).fit(X)
new_X=scaler.transform(X)
print('規范化到一定區間內',new_X)
打印結果:
規范化到一定區間內
[[1. 0. 1. ]
[ 0. 1. 0.25 ]
[ 0. 0.66666667 0. ]]
數據的正則化
首先求出樣本的p-范數，然后該樣本的所有元素都要除以該范數，這樣最終使得每個樣本的范數都為1
new_X = sk_preprocessing.normalize(X,norm='l2')
print('求二范數',new_X)
打印結果：
規范化到一定區間內
[[0.40824829 -0.40824829 0.81649658]
[ 0. 0.89442719 -0.4472136 ]
[ 0. 0.4472136 -0.89442719]]
小結
本文介紹了sklearn的安裝，sklearn導入數據集，創建數據集的基本方法，對數據預處理的常用方法進行了介紹。
下一篇，將重點講解如何使用sklearn進行特征提取，使用sklearn實現機器學習經典算法，模型的保存等內容。
