scikit-learn数据预处理模块

引言

sklearn.preprocessing 提供将原始特征向量 转换为更适合下游估计器的表示的常用工具与 Transformer 类。许多算法（尤其线性模型、基于距离的模型）对特征尺度、分布形态 敏感；类别特征需先编码；连续特征有时需分箱或非线性变换 以增强表达力。下文按官方用户指南 7.3 Preprocessing data 的结构做归纳，版本叙述以当前稳定文档（如 1.8）为准，细节以官方页为准。

1. 标准化与缩放（Standardization / Scaling）

1.1 标准化（去均值、单位方差）

StandardScaler ：各列减训练集均值、除以标准差，使数据近似零均值、单位方差。SVM 的 RBF 核、线性模型的 L1/L2 等常隐含「特征量级可比」的假设；若某列方差远大于其他列，可能主导目标函数。可通过 with_mean=False / with_std=False 关闭居中或缩放。

Pipeline 要点 ：在训练集上 fit，对测试集仅 transform，避免把测试信息泄露进缩放参数。

1.2 缩放到区间

MinMaxScaler ：线性缩放到给定区间（常用 ( $0,1$ )），公式为先按列 min-max 标准化再映射到 feature_range。
MaxAbsScaler ：按各列最大绝对值缩放，使训练数据落在 ( $-1,1$ ) 附近，适合已近似中心化或稀疏数据（保留零结构）。

1.3 稀疏矩阵

对稀疏输入一般不要居中 （会破坏稀疏结构）。缩放稀疏数据推荐 MaxAbsScaler ；StandardScaler 在 with_mean=False 时可接受 scipy.sparse。RobustScaler 不能在稀疏矩阵上 fit**（但可对稀疏 transform`）。

1.4 含离群点时的缩放

离群点多时，基于均值/方差的缩放不稳定，可用 RobustScaler 用更稳健的中心与尺度估计替代。

1.5 核矩阵中心化

KernelCenterer：对核 Gram 矩阵在特征空间做中心化（文档给出 (\tilde{K}) 与测试核矩阵的居中公式），用于核方法流水线。

2. 非线性变换

QuantileTransformer ：基于分位数的单调变换，可把特征映射到指定分布（如均匀 ( $0,1$ ) 或近似正态）。对异常值相对不敏感，但会扭曲特征间相关性与距离。

PowerTransformer：Yeo-Johnson / Box-Cox 等，把数据推向近似高斯；Box-Cox 要求严格为正。默认可对输出再做零均值单位方差。

3. 归一化（Normalization）

normalize / Normalizer ：按样本将特征向量缩放到单位范数（l1、l2 或 max），常用于点积、核相似度、文本向量空间模型等。按样本操作 ，fit 几乎无状态。

4. 类别特征编码

4.1 OrdinalEncoder

每列类别映射为整数 (0 \ldots n-1)。不能直接当作有序数值用于所有估计器 ------许多模型会误读顺序。默认可透传 np.nan；可用 encoded_missing_value 等为缺失指定整数码。

4.2 OneHotEncoder

每列 (k) 个类别展开为 (k) 个二元列（或 drop 后为 (k-1) 列以避免共线）。可指定 categories、handle_unknown（如 ignore、infrequent_if_exist）、drop='first' / drop='if_binary'。缺失可视为单独类别 ；np.nan 与 None 可被区分为不同类别。

4.3 低频类别聚合

OneHotEncoder 与 OrdinalEncoder 支持 min_frequency 、max_categories：将出现次数过少的类别合并为「低频」桶，缓解高基数与稀疏。

4.4 TargetEncoder（目标编码）

用给定类别下目标的条件均值 （经收缩）编码无序类别，适合高基数 场景（如邮编、地区），避免 One-hot 维度过大。二分类、多分类、连续目标在文档中均有闭式说明：编码为类内统计与全局目标统计 的凸组合，收缩系数 (\lambda_i) 与样本量及 smooth 有关；smooth="auto" 时为经验 Bayes 估计。

关键：训练数据应使用 fit_transform(X_train, y_train) ------内部用 k 折交叉拟合 ，每折用其余折学编码，减轻标签泄露与下游过拟合；fit+transform 与 fit_transform 在训练集上不等价 。fit 在全训练集上学习易泄露，不推荐 单独用于训练侧编码。transform(X_test) 使用 fit_transform 阶段在全训练数据 上最终学到的 encodings_。缺失为单独类别；未见类别用 target_mean_。

5. 离散化（Discretization）

KBinsDiscretizer ：将连续特征分入 k 个箱；策略可为 uniform（等宽）、quantile（等量）、kmeans。输出可再接 One-hot 等，为线性模型引入非线性。

Binarizer ：按阈值将数值二值化；与 KBinsDiscretizer 在 (k=2) 时概念相关。

也可用 FunctionTransformer 包装 pandas.cut 等自定义分箱。

6. 缺失值填充

具体工具在独立章节 Imputation of missing values （如 SimpleImputer、IterativeImputer）；预处理章仅作索引。

7. 多项式与样条特征

PolynomialFeatures ：生成指定次数的多项式与交叉项；interaction_only=True 仅交互项。

SplineTransformer：B 样条基，按次数与结点为每列单独构造基函数（不产生特征间交互）；低次数 + 结点控制可避免高次多项式的边界振荡等问题。

8. 自定义变换

FunctionTransformer ：将任意可调用函数包装成 Transformer，便于在 Pipeline 中复用（如对数、pandas.cut 等）。可配置 inverse_func、check_inverse 等。

9. 与 Pipeline 的配合

缩放、编码、分箱等应 fit 在训练子集 ，transform 验证/测试 ，并写入同一 Pipeline ，保证复现与防泄露。官方示例常用 make_pipeline(StandardScaler(), LogisticRegression()) 等形式。

参考

官方用户指南：7.3 Preprocessing data
API 入口：sklearn.preprocessing 包内各类与函数说明