Wie man PHP für die Datenvorverarbeitung und das Feature-Engineering verwendet

So verwenden Sie PHP für die Datenvorverarbeitung und das Feature-Engineering

Datenvorverarbeitung und Feature-Engineering sind sehr wichtige Schritte in der Datenwissenschaft. Sie können uns dabei helfen, Daten zu bereinigen, fehlende Werte zu verarbeiten, Feature-Extraktion und -Transformation durchzuführen und uns auf maschinelles Lernen und Eingabe vorzubereiten Daten, die von Deep-Learning-Modellen benötigt werden. In diesem Artikel besprechen wir die Datenvorverarbeitung und das Feature-Engineering mit PHP und stellen einige Codebeispiele zur Verfügung, um Ihnen den Einstieg zu erleichtern.

1. Daten importieren
   Zuerst müssen wir Daten aus einer externen Datenquelle importieren. Je nach Situation können Sie Daten aus einer Datenbank, einer CSV-Datei, einer Excel-Datei oder einer anderen Datenquelle laden. Hier nehmen wir die CSV-Datei als Beispiel und verwenden die fgetcsv-Funktion von PHP, um die Daten in der CSV-Datei zu lesen.

$csvFile = 'data.csv';
$data = [];

if (($handle = fopen($csvFile, 'r')) !== false) {
    while (($row = fgetcsv($handle)) !== false) {
        $data[] = $row;
    }
    fclose($handle);
}

// 打印数据
print_r($data);

2. Datenbereinigung
   Die Datenbereinigung ist Teil der Datenvorverarbeitung, die die Verarbeitung fehlender Werte, Ausreißer und doppelter Werte umfasst. Nachfolgend finden Sie einige gängige Datenbereinigungsvorgänge und entsprechende PHP-Codebeispiele.

• Umgang mit fehlenden Werten: Behandeln Sie fehlende Werte, indem Sie bestimmen, ob ein Feature null oder leer ist, und entsprechende Füll- oder Löschvorgänge durchführen.

foreach ($data as &$row) {
    for ($i = 0; $i < count($row); $i++) {
        if ($row[$i] === null || $row[$i] === '') {
            // 填充缺失值为0
            $row[$i] = 0;
        }
    }
}

• Umgang mit Ausreißern: Ersetzen Sie Ausreißer durch Festlegen eines Schwellenwerts durch Mittelwert, Median oder Modus usw.

foreach ($data as &$row) {
    for ($i = 0; $i < count($row); $i++) {
        if ($row[$i] < $lowerThreshold || $row[$i] > $upperThreshold) {
            // 替换异常值为平均值
            $row[$i] = $meanValue;
        }
    }
}

• Duplikate mit Werten umgehen: Bestimmen Sie, ob die Daten dupliziert sind, und löschen Sie sie.

$newData = [];
$uniqueKeys = [];

foreach ($data as $row) {
    $key = implode('-', $row);
    if (!in_array($key, $uniqueKeys)) {
        $newData[] = $row;
        $uniqueKeys[] = $key;
    }
}

// 更新数据
$data = $newData;

3. Feature-Extraktion und -Transformation
   Feature-Extraktion und -Transformation ist Teil des Feature-Engineerings, das uns dabei helfen kann, effektive Features aus Rohdaten zu extrahieren, um das Modelltraining und die Vorhersage zu erleichtern. Nachfolgend finden Sie einige gängige Funktionenextraktions- und Konvertierungsvorgänge sowie entsprechende PHP-Codebeispiele.

• Diskrete Feature-Codierung: Konvertieren Sie diskrete Features in digitale Codierung, um die Modellverarbeitung zu erleichtern.

$categories = ['cat', 'dog', 'rabbit'];
$encodedData = [];

foreach ($data as $row) {
    $encodedRow = [];
    foreach ($row as $value) {
        if (in_array($value, $categories)) {
            // 使用数字编码离散特征值
            $encodedRow[] = array_search($value, $categories);
        } else {
            // 原样保留其他特征值
            $encodedRow[] = $value;
        }
    }
    $encodedData[] = $encodedRow;
}

• Feature-Standardisierung: Skalieren Sie die Feature-Daten nach bestimmten Regeln, um das Modelltraining und die Vorhersage zu erleichtern.

$normalizedData = [];

foreach ($data as $row) {
    $mean = array_sum($row) / count($row); // 计算平均值
    $stdDev = sqrt(array_sum(array_map(function ($value) use ($mean) {
        return pow($value - $mean, 2);
    }, $row)) / count($row)); // 计算标准差

    $normalizedRow = array_map(function ($value) use ($mean, $stdDev) {
        // 标准化特征值
        return ($value - $mean) / $stdDev;
    }, $row);
    $normalizedData[] = $normalizedRow;
}

4. Datenvorbereitung und Modelltraining
   Nach der Datenvorverarbeitung und dem Feature-Engineering können wir die Daten vorbereiten und maschinelles Lernen oder Deep-Learning-Modelle für Training und Vorhersage verwenden. Hier verwenden wir den K-Means-Clustering-Algorithmus in der PHP-ML-Bibliothek als Beispiel, um das Modell zu trainieren.

require 'vendor/autoload.php';

use PhpmlClusteringKMeans;

$clusterer = new KMeans(3); // 设定聚类数为3
$clusterer->train($normalizedData);

$clusterLabels = $clusterer->predict($normalizedData);

// 打印聚类结果
print_r($clusterLabels);

Das Obige ist ein einfaches Beispiel für die Verwendung von PHP für die Datenvorverarbeitung und das Feature-Engineering. Natürlich gibt es viele andere Vorgänge und Techniken für die Datenvorverarbeitung und das Feature-Engineering, und die spezifische Auswahl und Implementierung kann basierend auf spezifischen Problemen und Anforderungen bestimmt werden. Ich hoffe, dieser Artikel kann Ihnen den Einstieg in die Datenvorverarbeitung und das Feature-Engineering erleichtern und eine solide Grundlage für das Training von Modellen für maschinelles Lernen und Deep Learning schaffen.

Das obige ist der detaillierte Inhalt vonWie man PHP für die Datenvorverarbeitung und das Feature-Engineering verwendet. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!