Python_sklearn机器学习库学习笔记（一）_Feature Extraction and Preprocessing(特征提取与预处理）

　　# Extracting features from categorical variables

#Extracting features from categorical variables  独热编码
from sklearn.feature_extraction import DictVectorizer
onehot_encoder=DictVectorizer()
instance=[{'city':'New York'},{'city':'San Francisco'},
          {'city':'Chapel Hill'}]
print onehot_encoder.fit_transform(instance).toarray()
输出结果：

[[ 0.  1.  0.]
 [ 0.  0.  1.]
 [ 1.  0.  0.]]

　　# Extracting features from text文字特征提取

　　## The bag-of-words representation

#bag-of-words model.词库模型
corpus = [
'UNC played Duke in basketball',
'Duke lost the basketball game'
]

#CountVectorizer类通过正则表达式用空格分割句子，然后抽取长度大于等于2的字母序列。scikit-learn实现代码如下：
from sklearn.feature_extraction.text import CountVectorizer
corpus = [
'UNC played Duke in basketball',
'Duke lost the basketball game'
]
vectorizer=CountVectorizer()
print vectorizer.fit_transform(corpus).todense()#todense将稀疏矩阵转化为完整特征矩阵
print vectorizer.vocabulary_

　　输出结果：

[[1 1 0 1 0 1 0 1]
[1 1 1 0 1 0 1 0]]
{u'duke': 1, u'basketball': 0, u'lost': 4, u'played': 5, u'game': 2, u'unc': 7, u'in': 3, u'the': 6}

corpus = [
'UNC played Duke in basketball',
'Duke lost the basketball game',
'I ate a sandwich'
]
vectorizer = CountVectorizer()
print(vectorizer.fit_transform(corpus).todense())
print(vectorizer.vocabulary_)

　　输出结果：

[[0 1 1 0 1 0 1 0 0 1]
[0 1 1 1 0 1 0 0 1 0]
[1 0 0 0 0 0 0 1 0 0]]
{u'duke': 2, u'basketball': 1, u'lost': 5, u'played': 6, u'in': 4, u'game': 3, u'sandwich': 7, u'unc': 9, u'ate': 0, u'the': 8}

　　scikit-learn里面的euclidean_distances函数可以计算若干向量的距离，表示两个语义最相似的
文档其向量在空间中也是最接近的。

　　

from sklearn.metrics.pairwise import euclidean_distances
count=[[0, 1, 1, 0, 0, 1, 0, 1],
       [0, 1, 1, 1, 1, 0, 0, 0],
       [1, 0, 0, 0, 0, 0, 1, 0]]
print 'Distance between 1st and 2nd documents:',euclidean_distances(count[0],count[1])

　输出结果：Distance between 1st and 2nd documents: [[ 2.]]

#format方法
for x,y in[[0,1],[0,2],[1,2]]:
    count=[[0, 1, 1, 0, 0, 1, 0, 1],
           [0, 1, 1, 1, 1, 0, 0, 0],
           [1, 0, 0, 0, 0, 0, 1, 0]]
    dist=euclidean_distances(count[x],count[y])
    print '文档{}文档{}文档{}'.format(x,y,dist)

　　输出结果：

文档0文档1文档[[ 2.]]
文档0文档2文档[[ 2.44948974]]
文档1文档2文档[[ 2.44948974]]
 
## Stop-word filtering 停用词过滤
CountVectorizer类可以通过设置stop_words参数过滤停用词，默认是英语常用的停用词。

from sklearn.feature_extraction.text import CountVectorizer
corpus = [
'UNC played Duke in basketball',
'Duke lost the basketball game',
'I ate a sandwich'
]
vectorizer=CountVectorizer(stop_words='english')
print vectorizer.fit_transform(corpus).todense()
print vectorizer.vocabulary_

　　输出结果：

[[0 1 1 0 0 1 0 1]
 [0 1 1 1 1 0 0 0]
 [1 0 0 0 0 0 1 0]]
{u'duke': 2, u'basketball': 1, u'lost': 4, u'played': 5, u'game': 3, u'sandwich': 6, u'unc': 7, u'ate': 0}

　　# Stemming and lemmatization  词根还原和词形还原　

from sklearn.feature_extraction.text import CountVectorizer
corpus = ['He ate the sandwiches',
          'Every sandwich was eaten by him']
vectorizer=CountVectorizer(binary=True,stop_words='english')
print vectorizer.fit_transform(corpus).todense()
print vectorizer.vocabulary_

　　输出结果：

　　[[1 0 0 1]
　　[0 1 1 0]]
　　{u'sandwich': 2, u'ate': 0, u'sandwiches': 3, u'eaten': 1}

　　### 让我们分析一下单词gathering的词形还原：

　　

corpus = [
'I am gathering ingredients for the sandwich.',
'There were many wizards at the gathering.'
]
import nltk
nltk.download()
 
from nltk.stem.wordnet import WordNetLemmatizer
from nltk import word_tokenize
from nltk.stem import PorterStemmer
from nltk.stem.wordnet import WordNetLemmatizer
from nltk import pos_tag
wordnet_tags = ['n', 'v']
corpus = [
'He ate the sandwiches',
'Every sandwich was eaten by him'
]
stemmer = PorterStemmer()
print('Stemmed:', [[stemmer.stem(token) for token in word_tokenize(document)] for document in corpus])

　　输出结果：

　　('Stemmed:', [[u'He', u'ate', u'the', u'sandwich'], [u'Everi', u'sandwich', u'wa', u'eaten', u'by', u'him']])

　　

def lemmatize(token, tag):
    if tag[0].lower() in ['n', 'v']:
        return lemmatizer.lemmatize(token, tag[0].lower())
    return token
lemmatizer = WordNetLemmatizer()
tagged_corpus = [pos_tag(word_tokenize(document)) for document in corpus]
print('Lemmatized:', [[lemmatize(token, tag) for token, tag in document] for document in tagged_corpus])

　　输出结果：

　　('Lemmatized:', [['He', u'eat', 'the', u'sandwich'], ['Every', 'sandwich', u'be', u'eat', 'by', 'him']])

　　## 带TF-IDF权重的扩展词库

from sklearn.feature_extraction.text import CountVectorizer
corpus=['The dog ate a sandwich, the wizard transfigured a sandwich, and I ate a sandwich']
vectorizer=CountVectorizer(stop_words='english')
print vectorizer.fit_transform(corpus).todense()
print vectorizer.vocabulary_

　　输出结果：

　　[[2 1 3 1 1]]
　　{u'sandwich': 2, u'wizard': 4, u'dog': 1, u'transfigured': 3, u'ate': 0}

　　

#tf-idf
from sklearn.feature_extraction.text import TfidfVectorizer
corpus = ['The dog ate a sandwich and I ate a sandwich','The wizard transfigured a sandwich']
vectorizer=TfidfVectorizer(stop_words='english')
print vectorizer.fit_transform(corpus).todense()
print vectorizer.vocabulary_

　　输出结果：

　　[[ 0.75458397  0.37729199  0.53689271  0.          0.        ]
　　[ 0.          0.          0.44943642  0.6316672   0.6316672 ]]
　　{u'sandwich': 2, u'wizard': 4, u'dog': 1, u'transfigured': 3, u'ate': 0}

　　## 通过哈希技巧实现特征向量

　　

from sklearn.feature_extraction.text import HashingVectorizer
corpus = ['the', 'ate', 'bacon', 'cat']
vectorizer = HashingVectorizer(n_features=6)
print(vectorizer.transform(corpus).todense())

　　输出结果：

[[-1.  0.  0.  0.  0.  0.]
 [ 0.  0.  0.  1.  0.  0.]
 [ 0.  0.  0.  0. -1.  0.]
 [ 0.  1.  0.  0.  0.  0.]]
设置成6是为了演示。另外，注意有些单词频率是负数。由于Hash碰撞可能发生，所以HashingVectorizer用有符号哈希函数（signed hash function）。特征值和它的词块的哈希值带
同样符号，如果cats出现过两次，被哈希成-3，文档特征向量的第四个元素要减去2。如果dogs出现过两次，被哈希成3，文档特征向量的第四个元素要加上2。
 
## 图片特征提取
#通过像素值提取特征
scikit-learn的digits数字集包括至少1700种0-9的手写数字图像。每个图像都有8x8像像素构成。每
个像素的值是0-16，白色是0，黑色是16。如下图所示：

%matplotlib inline
from sklearn import datasets
import matplotlib.pyplot as plt
digits=datasets.load_digits()
print 'Digit:',digits.target[0]
print digits.images[0]
plt.imshow(digits.images[0], cmap=plt.cm.gray_r, interpolation='nearest')
plt.show()

输出结果：

　　Digit: 0
[[  0.   0.   5.  13.   9.   1.   0.   0.]
[  0.   0.  13.  15.  10.  15.   5.   0.]
[  0.   3.  15.   2.   0.  11.   8.   0.]
[  0.   4.  12.   0.   0.   8.   8.   0.]
[  0.   5.   8.   0.   0.   9.   8.   0.]
[  0.   4.  11.   0.   1.  12.   7.   0.]
[  0.   2.  14.   5.  10.  12.   0.   0.]
[  0.   0.   6.  13.  10.   0.   0.   0.]]

digits=datasets.load_digits()
print('Feature vector:\n',digits.images[0].reshape(-1,64))

输出结果：

　　('Feature vector:\n', array([[  0.,   0.,   5.,  13.,   9.,   1.,   0.,   0.,   0.,   0.,  13.,
         15.,  10.,  15.,   5.,   0.,   0.,   3.,  15.,   2.,   0.,  11.,
          8.,   0.,   0.,   4.,  12.,   0.,   0.,   8.,   8.,   0.,   0.,
          5.,   8.,   0.,   0.,   9.,   8.,   0.,   0.,   4.,  11.,   0.,
          1.,  12.,   7.,   0.,   0.,   2.,  14.,   5.,  10.,  12.,   0.,
          0.,   0.,   0.,   6.,  13.,  10.,   0.,   0.,   0.]]))

　　

%matplotlib inline
import numpy as np
from skimage.feature import corner_harris,corner_peaks
from skimage.color import rgb2gray
import matplotlib.pyplot as plt
import skimage.io as io
from skimage.exposure import equalize_hist
 
def show_corners(corners,image):
    fig=plt.figure()
    plt.gray()
    plt.imshow(image)
    y_corner,x_corner=zip(*corners)
    plt.plot(x_corner,y_corner,'or')
    plt.xlim(0,image.shape[1])
    plt.ylim(image.shape[0],0)
    fig.set_size_inches(np.array(fig.get_size_inches())*1.5)
    plt.show()

mandrill=io.imread('1.jpg')
mandrill=equalize_hist(rgb2gray(mandrill))
corners=corner_peaks(corner_harris(mandrill),min_distance=2)
show_corners(corners,mandrill)

　

　　### SIFT和SURF

　　

import mahotas as mh
from mahotas.features import surf
image = mh.imread('2.jpg', as_grey=True)
print('第一个SURF描述符：\n{}\n'.format(surf.surf(image)[0]))
print('抽取了%s个SURF描述符' % len(surf.surf(image)))

　　输出结果：

第一个SURF描述符：
[  4.40526550e+02   2.82058666e+02   1.80770206e+00   2.56869094e+02
   1.00000000e+00   1.91360320e+00  -6.59236825e-04  -2.96877983e-04
   1.09769833e-03   3.67625424e-04  -1.90927908e-03  -9.72986820e-04
   2.86457301e-03   9.74479580e-04  -2.15057079e-04  -1.42831161e-04
   2.23010810e-04   1.42831161e-04   3.37184432e-06   1.74527115e-06
   3.37184454e-06   1.74527136e-06   3.90064757e-02   3.58161210e-03
   3.90511371e-02   4.40730516e-03   4.41527246e-01   2.71798365e-02
   4.41527246e-01   8.70393902e-02   4.56954581e-01  -2.29019329e-02
   4.56954581e-01   9.63314021e-02   6.29652613e-02   1.77485267e-02
   6.29652613e-02   2.13300792e-02   2.23341915e-03  -7.45940061e-04
   6.30745845e-03   5.05762292e-03  -1.57216338e-02   7.64635174e-02
   1.43149320e-01   3.04822002e-01  -2.48229831e-02  -1.02886168e-01
   8.65904522e-02   1.43815811e-01  -6.32987455e-03  -5.59536669e-03
   2.03817407e-02   1.31338762e-02   6.68332753e-04   4.10704922e-05
   1.25106500e-03   1.20076608e-03   5.65924789e-03  -9.40465975e-03
   2.08687062e-02   4.03695676e-02   3.18301424e-03  -1.22350925e-02
   1.59209535e-02   1.88643296e-02   1.13586147e-03   4.11031770e-04
   1.96554689e-03   1.16562736e-03]
 
抽取了826个SURF描述符
 
　　## 数据标准化
　　

#scikit-learn的scale函数可以实现：
#解释变量的值可以通过正态分布进行标准化，减去均值后除以标准差。
from sklearn import preprocessing
import numpy as np
X=np.array([[0., 0., 5., 13., 9., 1.],
            [0., 0., 13., 15., 10., 15.],
            [0., 3., 15., 2., 0., 11.]])
print(preprocessing.scale(X))

　　输出结果：

　　[[ 0.         -0.70710678 -1.38873015  0.52489066  0.59299945 -1.35873244]
　　[ 0.         -0.70710678  0.46291005  0.87481777  0.81537425  1.01904933]
　　[ 0.          1.41421356  0.9258201  -1.39970842 -1.4083737   0.33968311]]