### 使用 Python 对 Iris 数据集进行数据预处理 以下是针对 Iris 数据集的一系列常见数据预处理操作及其对应的 Python 代码实现。这些步骤涵盖了从加载数据到标准化、分割训练测试集以及降维等多个方面。 #### 1. 加载数据 通过 `sklearn` 提供的接口可以直接加载 Iris 数据集。 ```python from sklearn.datasets import load_iris # 加载数据集 iris = load_iris() X = iris.data # 特征矩阵 y = iris.target # 标签向量 print(f"Iris 数据集的维度为: {X.shape}") print(f"Iris 数据集的前5行数据为:\n{X[:5]}") ``` --- #### 2. 处理缺失值 如果怀疑数据集中可能有缺失值，可以先检查是否存在 NaN 值，并采取相应策略填充或删除。 ```python import numpy as np # 检查是否有缺失值 if np.isnan(X).any(): print("检测到缺失值，正在使用均值填充...") from sklearn.impute import SimpleImputer imputer = SimpleImputer(strategy="mean") # 使用均值填充 X_imputed = imputer.fit_transform(X) else: print("未发现任何缺失值，跳过此步。") X_imputed = X.copy() ``` --- #### 3. 特征缩放 对于许多机器学习算法而言，特征缩放是非常重要的一步。这里可以选择 Min-Max 缩放或将数据标准化为零均值单位方差的形式。 ```python from sklearn.preprocessing import StandardScaler, MinMaxScaler # 方法一：Z-Score 标准化（推荐） scaler_standard = StandardScaler() X_scaled_standard = scaler_standard.fit_transform(X_imputed) # 方法二：Min-Max 缩放 scaler_minmax = MinMaxScaler(feature_range=(0, 1)) X_scaled_minmax = scaler_minmax.fit_transform(X_imputed) print(f"标准化后的数据形状: {X_scaled_standard.shape}") print(f"Min-Max 缩放后的数据形状: {X_scaled_minmax.shape}") ``` --- #### 4. 划分训练集和测试集 为了评估模型性能，需将数据划分为训练集和测试集。 ```python from sklearn.model_selection import train_test_split # 默认按 80% 训练集 / 20% 测试集比例划分 X_train, X_test, y_train, y_test = train_test_split( X_scaled_standard, y, test_size=0.2, random_state=42 ) print(f"训练集大小: {X_train.shape}, 测试集大小: {X_test.shape}") ``` --- #### 5. PCA 降维 当需要降低特征维度时，可以利用主成分分析 (PCA) 来提取最重要的几个特征方向。 ```python from sklearn.decomposition import PCA # 设置保留两个主成分 pca = PCA(n_components=2) X_pca = pca.fit_transform(X_train) print(f"PCA 后的数据形状: {X_pca.shape}") print(f"解释的总方差百分比: {np.sum(pca.explained_variance_ratio_ * 100):.2f}%") ``` --- #### 完整代码示例 综合以上各个部分，完整的数据预处理流程如下所示： ```python from sklearn.datasets import load_iris from sklearn.impute import SimpleImputer from sklearn.preprocessing import StandardScaler, MinMaxScaler from sklearn.model_selection import train_test_split from sklearn.decomposition import PCA import numpy as np # Step 1: Load data iris = load_iris() X = iris.data y = iris.target # Step 2: Handle missing values if np.isnan(X).any(): imputer = SimpleImputer(strategy="mean") X_cleaned = imputer.fit_transform(X) else: X_cleaned = X.copy() # Step 3: Feature scaling scaler = StandardScaler() # 或者使用 MinMaxScaler X_scaled = scaler.fit_transform(X_cleaned) # Step 4: Split into training and testing sets X_train, X_test, y_train, y_test = train_test_split( X_scaled, y, test_size=0.2, random_state=42 ) # Step 5: Apply PCA for dimensionality reduction pca = PCA(n_components=2) X_train_pca = pca.fit_transform(X_train) print(f"Final shape after preprocessing: Train={X_train_pca.shape}, Test={X_test.shape}") ``` ---