当前位置:

首页 > 编程开发 > 用Pandas通过MAD筛选高波动列

用Pandas通过MAD筛选高波动列

本文详细介绍了如何利用Pandas库,通过计算中位数绝对离差(MAD)来识别并提取DataFrame中变异性最高的列。我们将通过一个实际示例,演示如何高效地从包含大量列的数据集中筛选出最具有代表性的特征,从而构建一个更精简、更具信息量的新DataFrame,这对于数据分析和特征工程至关重要。

本文目录

    使用Pandas根据中位数绝对离差(MAD)选择高变异性列

    本文详细介绍了如何利用Pandas库,通过计算中位数绝对离差(MAD)来识别并提取DataFrame中变异性最高的列。我们将通过一个实际示例,演示如何高效地从包含大量列的数据集中筛选出最具有代表性的特征,从而构建一个更精简、更具信息量的新DataFrame,这对于数据分析和特征工程至关重要。

    在处理包含数万甚至数十万列的大型数据集时,识别并选择最具信息量的特征是数据预处理和特征工程中的关键一步。这些数据集通常包含许多冗余或低变异性的列,它们不仅会增加计算负担,还可能引入噪声,影响模型的性能。中位数绝对离差(Median Absolute Deviation, MAD)是一种衡量数据变异性的稳健统计量,相比于标准差,它对异常值不那么敏感,因此在存在异常值的数据集中更具优势。

    本教程将指导您如何使用Pandas库,通过计算每一列的MAD值,并选择MAD值最高的列来创建一个新的DataFrame。

    1. 理解中位数绝对离差(MAD)

    中位数绝对离差(MAD)的计算步骤如下:

    1. 计算数据集中所有观测值的中位数(median)。
    2. 计算每个观测值与该中位数之间的绝对差值。
    3. 计算这些绝对差值的中位数。

    MAD提供了一个数据分散程度的度量,其优点在于它不像标准差那样容易受到极端值的影响。

    2. 计算DataFrame各列的MAD

    假设我们有一个包含大量列的Pandas DataFrame。首先,我们需要计算每一列的MAD。Pandas并没有直接提供计算MAD的内置函数,但我们可以通过组合其现有方法来实现。

    计算MAD的公式可以表示为:$MAD = median(|X_i - median(X)|)$。

    在Pandas中,这可以通过以下步骤完成:

    import pandas as pd
    import numpy as np
    
    # 假设df是您的原始DataFrame
    # 为了演示,我们先创建一个示例DataFrame
    rng = np.random.default_rng(seed=2024)
    df = pd.DataFrame(rng.random((1000, 20000))) # 1000行, 20000列
    
    # 计算每一列的MAD
    mad = df.sub(df.median()).abs().median()

    代码解释:

    • df.median(): 计算DataFrame df 中每一列的中位数。这将返回一个Series,其索引是列名,值是对应列的中位数。
    • df.sub(df.median()): 从DataFrame df 中的每个元素减去其所在列的中位数。Pandas会自动进行广播操作。
    • .abs(): 对上一步结果中的所有元素取绝对值。
    • .median(): 计算每个列的绝对差值的中位数,即得到每列的MAD值。mad 将是一个Series,其中包含每个列的MAD值。

    3. 选择MAD值最高的列

    得到每列的MAD值后,我们需要根据这些值进行排序,并选择我们感兴趣的前N个列。

    # 假设我们想选择MAD最高的1000列
    num_cols_to_select = 1000
    cols = mad.sort_values(ascending=False).head(num_cols_to_select).index

    代码解释:

    • mad.sort_values(ascending=False): 对mad Series进行降序排序,这样MAD值最高的列会排在前面。
    • .head(num_cols_to_select): 选择排序后Series的前num_cols_to_select个元素。这将返回一个包含最高MAD值的Series片段。
    • .index: 获取这些选定元素的索引,即对应列的名称。cols 将是一个包含我们希望保留的列名的Index对象。

    4. 构建新的DataFrame

    最后一步是使用筛选出的列名来创建一个只包含这些高变异性列的新DataFrame。

    out_df = df[cols]

    代码解释:

    • df[cols]: 使用我们从cols中获得的列名列表来从原始DataFrame df 中选择相应的列,从而创建一个新的DataFrame out_df。

    5. 完整示例代码

    以下是一个完整的、可运行的示例,演示了如何从一个包含20000列的DataFrame中选择MAD最高的1000列:

    import pandas as pd
    import numpy as np
    
    # 1. 创建一个示例DataFrame
    # 包含1000行和20000列,数值介于0到1之间
    rng = np.random.default_rng(seed=2024)
    df = pd.DataFrame(rng.random((1000, 20000)))
    
    print("原始DataFrame的形状:", df.shape)
    # 原始DataFrame的形状: (1000, 20000)
    
    # 2. 计算每一列的中位数绝对离差(MAD)
    # df.median() 计算每列中位数
    # df.sub() 从每列元素减去对应中位数
    # .abs() 取绝对值
    # .median() 计算绝对差值的中位数,得到每列的MAD
    mad = df.sub(df.median()).abs().median()
    
    print("\nMAD值的Series(前5个):")
    print(mad.head())
    # MAD值的Series(前5个):
    # 0    0.248384
    # 1    0.248917
    # 2    0.246473
    # 3    0.247949
    # 4    0.248358
    # dtype: float64
    
    # 3. 排序MAD值并选择MAD最高的列的索引
    num_cols_to_select = 1000
    cols = mad.sort_values(ascending=False).head(num_cols_to_select).index
    
    print(f"\n选择的列数量: {len(cols)}")
    # 选择的列数量: 1000
    print("选择的列索引(前5个):")
    print(cols[:5])
    # 选择的列索引(前5个):
    # Index([14988, 11488, 14902, 10735, 12693], dtype='int64')
    
    # 4. 使用选定的列索引创建新的DataFrame
    out_df = df[cols]
    
    print("\n新DataFrame的形状:", out_df.shape)
    # 新DataFrame的形状: (1000, 1000)
    print("\n新DataFrame的前5行和前5列:")
    print(out_df.iloc[:5, :5])
    # 新DataFrame的前5行和前5列:
    #      14988    11488    14902    10735    12693
    # 0  0.076846  0.640284  0.038596  0.940822  0.007620
    # 1  0.024925  0.017770  0.134509  0.963283  0.864700
    # 2  0.962535  0.126436  0.942978  0.054366  0.013063
    # 3  0.027063  0.826620  0.137837  0.988022  0.091396
    # 4  0.999650  0.852570  0.945242  0.003185  0.892550

    6. 注意事项与最佳实践

    • 选择列的数量: num_cols_to_select 的值应根据您的具体分析需求和数据集特性来确定。没有一个放之四海而皆准的数字,这通常需要通过实验或领域知识来决定。
    • 性能考量: 对于极大规模的DataFrame(例如,行数和列数都非常大),计算MAD可能会消耗较多的内存和时间。Pandas操作通常是高度优化的,但在极端情况下,可能需要考虑更底层的Numpy操作或分块处理。
    • MAD的适用性: MAD对于识别具有高变异性的特征非常有效,尤其是在数据可能包含异常值时。然而,它主要关注单变量的变异性。在某些情况下,您可能还需要考虑特征之间的相关性或多变量分析方法。
    • 替代方法: 除了MAD,还有其他特征选择方法,如基于方差选择(VarianceThreshold)、卡方检验、互信息等。选择哪种方法取决于数据的类型和您的目标。

    总结

    通过计算中位数绝对离差(MAD),我们可以有效地从大型Pandas DataFrame中筛选出最具变异性的列。这种方法不仅能够帮助我们精简数据集,减少计算负担,还能确保我们选择的特征对异常值具有一定的鲁棒性。掌握这一技术对于进行高效的数据预处理和特征工程至关重要。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    编程开发
    相关文章 更多
    QQ影音怎么加速播放视频课程
    QQ影音怎么加速播放视频课程

    播放时右键选播放速度,或点控制条倍速,1.25 到 1.5 倍看课最舒服;公式代码类内容别超过 1.25 倍。

    企业微信创建企业提示失败怎么办 实名与填写检查
    企业微信创建企业提示失败怎么办 实名与填写检查

    先看提示属于哪类:名称占用就加后缀,实名不一致就重填本人信息,证件不清晰就重拍。统一社会信用代码逐位核对,连续三次失败别改材料重投,直接联系客服人工核。

    Modern Web Guidance 的 legacy-scan 反转建议应该怎样判断?
    Modern Web Guidance 的 legacy-scan 反转建议应该怎样判断?

    说明源码提交对字符串、生成器和数组的识别边界,以及扫描命令与发行包核验限制。

    Codex 0.170.0 正式版的语音与连接更新,适用范围有哪些限制?
    Codex 0.170.0 正式版的语音与连接更新,适用范围有哪些限制?

    0.170.0 的语音更新限于终端通话协商能力的明确新增,同名工具服务器跨环境支持仍标注实验性质;连接部分则修复大请求回退、认证竞态和云端重连等具体问题。这份正式版公告不足以证明所有账户、所有客户端都已具备完整语音功能。

    Hy4 flash 三种权重怎么选,安装和授权要注意哪些条件?
    Hy4 flash 三种权重怎么选,安装和授权要注意哪些条件?

    了解Hy4 flash、FP8与base的适用任务,阅读官方安装及图文代码,并核对资源和MaaS许可条件。

    OpenAI Python SDK 3.55.0 升级看点:Live MCP 服务配置与预算接口变化
    OpenAI Python SDK 3.55.0 升级看点:Live MCP 服务配置与预算接口变化

    OpenAI Python SDK 3.55.0 升级看点:Live MCP 服务配置与预算接口变化。说明已核实的更新范围、类型兼容性和本地版本确认方法。

    OpenAI Java SDK 4.108.0 的两项新增能力适合哪些项目?
    OpenAI Java SDK 4.108.0 的两项新增能力适合哪些项目?

    OpenAI Java SDK 4.108.0 面向 Live MCP 工具接入与 Managed Agents 预算状态处理,说明新增模型、事件含义、正式发布范围和适用限制。

    Free Claude Code 6.19.37 如何兼顾网页搜索与普通工具调用?
    Free Claude Code 6.19.37 如何兼顾网页搜索与普通工具调用?

    Free Claude Code 6.19.37 在自动搜索时保留客户端工具及选择条件,代理执行搜索后仍返回普通调用。说明适用场景、历史信息保留、请求约束与第三方项目的版本边界。

    Google GenAI Go SDK 1.78.0 的 v1beta 配置优先级怎样判断?
    Google GenAI Go SDK 1.78.0 的 v1beta 配置优先级怎样判断?

    Google GenAI Go SDK 1.78.0 将 Gemini Developer API 默认改为 v1,可用 HTTPOptions.APIVersion 或环境变量保留 v1beta,Vertex AI 默认值不变。

    Google GenAI SDK 3.5.0实时交互值得哪些项目升级评估?
    Google GenAI SDK 3.5.0实时交互值得哪些项目升级评估?

    解释实验性实时支持、环境检查与生产评估中需要验证的条件。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。