顺序：

1. 导入数据包&数据

    import pandas as pd
    import numpy as np
    
    x = df_data.iloc[:,:-1].values
    y = df_data.iloc[:,-1].values
   

2. 处理缺失值

    from sklearn.preprocessing import Imputer
    imputer = Imputer(missing_values='NaN', strategy='mean', axis=0)
    imputer = imputer.fit_transform(x[:,1:])
   

3. 离散特征归一化

    from sklearn.preprocessing import OneHotEncoder, LabelEncoder
    
    # 先用LabelEncoder标签化（因为独热只接受数值型）
    label_encoder_x = LabelEncoder()
    label_encoder_x = label_encoder_x.fit_transform(x[:,0])
    x[:,0] = label_encoder_x
    
    # 再用OneHotEncoder独热化
    onehotencoder = OneHotEncoder(categorical_features = [0])
    x = onehotencoder.fit_transform(x).toarray()
   

4. 拆分验证集

    from sklearn.model_selection import train_test_split
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2)
   

5. 连续特征归一化

    from sklearn.preprocessing import StandardScaler
    sc_X = StandardScaler()
    x_train = sc_X.fit_transform(x_train)
    x_test = sc_X.transform(x_test)
    
    # ps：此处的x_train进行fit后test不用再fit
   

特征归一化

归一化的适用：

用：基于参数的模型或者距离的模型

不用：基于树的模型，例如随机森林、Bagging、Boosting

离散特征归一化：

【OnehotEncoder】即独热编码，label为标签编码，目的是将数据中的离散特征进行归一化。

from sklearn.preprocessing import OnehotEncoder
enc = OneHotEncoder(n_values = [2, 3, 4])
enc.fit([[0, 0, 3],
         [1, 1, 0]])

ans = enc.transform([[0, 2, 3]]).toarray()
ans

>> array([[1., 0., 0., 0., 1., 0., 0., 0., 1.]])

上述n_values的目的：第二个特征fit的数据中没有2，但是transform中是有的，所以需要手动添加，添加之后导致array的长度发生了变化，本来需要23=6现在需要33=9个

categorical_features = 'all'，这个参数指定了对哪些特征进行编码，默认对所有类别都进行编码。也可以自己指定选择哪些特征

通过索引或者 bool 值来指定，看下例：

enc = OneHotEncoder(categorical_features = [0,2]) # 等价于 [True, False, True]
enc.fit([[0, 0, 3],
         [1, 1, 0],
         [0, 2, 1],
         [1, 0, 2]])

ans = enc.transform([[0, 2, 3]]).toarray()

>> [[ 1.  0.  0.  0.  0.  1.  2.]]

sparse=True 表示编码的格式，默认为 True，即为稀疏的格式，指定 False 则就不用 toarray() 了

handle_unknown=’error’，其值可以指定为 "error" 或者 "ignore"，即如果碰到未知的类别，是返回一个错误还是忽略它。

Onehot的适用：

用：独热编码用来解决类别型数据的离散值问题

不用：将离散型特征进行one-hot编码的作用，是为了让距离计算更合理，但如果特征是离散的，并且不用one-hot编码就可以很合理的计算出距离，那么就没必要进行one-hot编码。 有些基于树的算法在处理变量时，并不是基于向量空间度量，数值只是个类别符号，即没有偏序关系，所以不用进行独热编码。 Tree Model不太需要one-hot编码： 对于决策树来说，one-hot的本质是增加树的深度。

对于【Label】则比较简单

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
le.fit([1,5,67,100])
le.transform([1,1,100,67,5])

>> array([0., 0., 3., 2., 1.])

Label encoding的适用：

在某些情况下很有用，但是场景限制很多。再举一例：比如有[dog,cat,dog,mouse,cat]，我们把其转换为[1,2,1,3,2]。这里就产生了一个奇怪的现象：dog和mouse的平均值是cat。所以目前还没有发现标签编码的广泛使用。