1.预备知识：字典

      字典用于存储键值对（key-value pairs）。字典是无序的、可变的，并且键（key）必须是唯一的。

（1）基本结构

      字典使用花括号 {} 定义，每个键值对用冒号 : 分隔，键值对之间用逗号 , 分隔。

my_dict = {
    "键1": "值1",
    "键2": "值2",
    "键3": "值3"
}

（2）字典的特点

• 键必须唯一：如果重复赋值，后面的值会覆盖前面的值。
• 键必须是不可变类型：例如字符串、数字、元组，但列表等可变类型不能作为键。
• 值可以是任意类型：包括数字、字符串、列表、字典等。

person = {
    "name": "Alice",
    "age": 25,
    "hobbies": ["reading", "swimming"],
    "contact": {"email": "alice@example.com", "phone": "123-4567"}
}

（3）字典的基本操作

• 访问值

      通过键来获取对应的值，如果键不存在会报错。

scores = {"Alice": 90, "Bob": 85, "Charlie": 95}
print(scores["Alice"])  # 输出: 90

# 安全访问：使用 get() 方法，键不存在时返回默认值（如 None）
print(scores.get("David"))  # 输出: None
print(scores.get("David", 0))  # 输出: 0（指定默认值）

• 修改/添加键值对

        直接通过键赋值即可。

# 修改已有键的值
scores["Bob"] = 88

# 添加新键值对
scores["David"] = 75

print(scores)  # 输出: {'Alice': 90, 'Bob': 88, 'Charlie': 95, 'David': 75}

• 删除键值对

# 删除指定键
del scores["Charlie"]

# 删除并返回指定键的值
david_score = scores.pop("David")

print(scores)  # 输出: {'Alice': 90, 'Bob': 88}

（4）字典的常用方法：

(5)遍历字典：

scores = {"Alice": 90, "Bob": 85, "Charlie": 95}

# 遍历键（默认方式）
for name in scores:
    print(name)  # 输出: Alice, Bob, Charlie

# 遍历值
for score in scores.values():
    print(score)  # 输出: 90, 85, 95

# 同时遍历键和值（推荐方式）
for name, score in scores.items():
    print(f"{name}: {score}")  # 输出: Alice: 90, Bob: 85, Charlie: 95

---

2.标签编码

     标签编码是将分类变量的每个类别映射为一个整数。适用于有序分类变量即类别之间存在自然的顺序关系。借助dataframe的map函数即可实现。

      这里我们给Home Oweners来完成标签编码（信贷风险预测数据），按照贷款严重程度（抗风险能力），依次是：自有住房 ＜ 租房 ＜ 有其他贷款 ＜ 住房抵押贷款。所以按照这个逻辑来进行编码

# 定义映射字典
mapping = {
        "Own Home": 0,
        "Rent": 1,
        "Have Mortgage ": 2,
        "Home Mortgage": 3
    
}
data["Home Ownership"] = data["Home Ownership"].map(mapping)

      对于字符串类型 我们也要映射成整数类型，这里不要理解为标签编码或者独热编码。

      此外二分类的问题不需要独热编码，比如性别这个特征，男女不需要变成2个特征，性别男 性别女 。因为他们二者自由度为1，如果是2个特征的话，性别男=1，那么性别女必定等于0.这样特征高度相关，没有价值。此时这个特征的含义不是性别，而是：是否为男性，1是男性，0是非男。

      三分类以上才涉及独热编码。

      实际上借助一个映射函数也可以实现上面2次编码，字典的键值对可以嵌套字典（字典的值可以是一个字典）

import pandas as pd

# 重新读取数据
data = pd.read_csv("data\data.csv")
# 嵌套映射字典
mapping = {
    "Term": {
        "Short Term": 1,
        "Long Term": 0
    },
    "Home Ownership": {
        "Rent": 0,
        "Own Home": 1,
        "Have Mortgage  ": 2,
        "Home Mortgage": 3
    }
}

# 对 Home Ownership 列进行映射
data["Home Ownership"] = data["Home Ownership"].map(mapping["Home Ownership"])

# 对 Term 列进行映射
data["Term"] = data["Term"].map(mapping["Term"])

---

3.连续变量的处理：

（1）归一化

   何时选用归一化：

• 数据分布未知或不需要保留分布形状。
• 算法对数据范围敏感（如神经网络、KNN）。
• 数据无明显异常值。

# 对Annual Income列做归一化，手动构建函数实现

def manual_normalize(data):
    """
    此函数用于对输入的数据进行归一化处理
    :param data: 输入的一维数据（如 Pandas 的 Series）
    :return: 归一化后的数据
    """
    min_val = data.min()
    max_val = data.max()
    normalized_data = (data - min_val) / (max_val - min_val)
    return normalized_data
data['Annual Income'] = manual_normalize(data['Annual Income'])

# 借助sklearn库进行归一化处理
from sklearn.preprocessing import StandardScaler, MinMaxScaler
data = pd.read_csv("data\data.csv")


# 归一化处理
min_max_scaler = MinMaxScaler() # 实例化 MinMaxScaler类，如果采取这种导入函数的方式，不需要申明库名
data['Annual Income'] = min_max_scaler.fit_transform(data[['Annual Income']])

（2）标准化

何时选用标准化：

• 数据分布接近正态分布。
• 算法假设数据服从标准正态分布（如 PCA）。
• 存在异常值（标准化更稳健）。

# 标准化处理
data = pd.read_csv("data\data.csv")# 重新读取数据
scaler = StandardScaler() # 实例化 StandardScaler，
data['Annual Income'] = scaler.fit_transform(data[['Annual Income']])
data['Annual Income'].head()

@浙大疏锦行