使用 scikit-learn 进行数据预处理的核心流程。
为了更好地梳理这些知识点，将关键技术点进行了提炼和总结。
🛠️ 数据预处理核心工具箱
数据预处理是机器学习中至关重要的一步，它直接影响模型的收敛速度和最终精度。
1. 特征缩放 (Feature Scaling)
当不同特征的量纲（单位）差异巨大时（如：酒精含量 14% vs 脯氨酸 1000mg），必须进行缩放。
| 方法 | 说明 | 数学原理 | 适用场景 |
|---|---|---|---|
| StandardScaler | 均值方差标准化 | \(x' = \frac{x - \mu}{\sigma}\) | 默认首选，尤其适用于符合正态分布的数据。 |
| MinMaxScaler | 离差标准化 | \(x' = \frac{x - min}{max - min}\) | 将数据压缩至 \([0, 1]\)，适用于不涉及距离度量且非正态分布的数据。 |
| Normalizer | 归一化 (向量) | 每个样本缩放到单位范数 | 常用于文本分类或聚类，关注的是向量的方向而非幅度。 |
2. 特征转换与离散化
- Binarizer (二值化): 根据阈值将数值型数据转换为 0 和 1（如：处理某种成分是否“超标”）。
- Digitize (装箱): 将连续数据划分为离散的区间索引（类似把学生成绩划分为优、良、中、差）。
- OneHotEncoder (独热编码): 将分类数据或装箱后的索引转换为稀疏向量，避免模型错误地认为分类数字之间存在大小关系（如：类别2不代表比类别1大）。
3. PCA 降维 (主成分分析)
PCA 是一种无监督学习算法，通过线性变换将高维数据映射到低维空间，同时保留尽可能多的方差（信息量）。
- n_components=k: 强制保留前 \(k\) 个主成分。
- n_components=0.95: 自动选择足够的主成分，以解释原始数据 95% 的方差。
💡 代码中的关键实践细节
在你的“红酒数据集实战”部分，有几个非常标准且值得学习的操作：
- 先拆分，后标准化：
X_train, X_test, y_train, y_test = train_test_split(X, y, ...)
scaler = StandardScaler().fit(X_train) # 只在训练集上拟合
X_train_scaled = scaler.transform(X_train)
X_test_scaled = scaler.transform(X_test) # 使用训练集的参数处理测试集注意： 永远不要用全量数据去
fit标准化器。这样做会造成数据泄露 (Data Leakage)，因为测试集的信息被提前引入了训练过程。
- PCA 后的可视化：
红酒数据集有 13 个特征，人类无法直观看到。通过 PCA 降维到 2 维后，你可以利用plt.scatter观察不同类别的酒在空间中是否有明显的聚集和边界。 - Matplotlib 中文支持：
代码中通过SimHei设置解决了 Linux/Windows 环境下绘图不显示中文的问题，这是一个非常实用的 trick。