资深博导：我以为数据预处理是常识，直到遇到自己的学生

原创

算法金

发布于 2024-06-26 23:59:08

13200

代码可运行

文章被收录于专栏：数据分析数据分析机器学习

运行总次数：0

代码可运行

大侠幸会，在下全网同名「算法金」 0 基础转 AI 上岸，多个算法赛 Top 「日更万日，让更多人享受智能乐趣」

在光谱学领域，数据预处理是不可或缺的一环。

本文将基于 NIR soil 近红外光谱数据，运用 Python 语言进行数据处理，并通过图表直观反映预处理带来的变化。（数据集：后台回复 [ NIR soil ] 获取）

常用的光谱数据预处理技术包括：

MSC（多元散射校正）
SNV（标准正规化变换）
光谱微分
基线校正
去趋势

一、MSC（多元散射校正）

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler

# 读取数据
nirsoil_df = pd.read_csv(path)

# 提取光谱数据
spectra = nirsoil_df.filter(like='spc.')

# 进行MSC预处理
def msc(input_data):
    # 计算参考光谱（均值光谱）
    ref_spectrum = np.mean(input_data, axis=0)
    # 初始化校正后的光谱数据矩阵
    corrected_spectra = np.zeros_like(input_data)

    for i in range(input_data.shape[0]):
        fit = np.polyfit(ref_spectrum, input_data[i, :], 1, full=True)
        corrected_spectra[i, :] = (input_data[i, :] - fit[0][1]) / fit[0][0]

    return corrected_spectra

# 应用MSC
msc_spectra = msc(spectra.values)

# 可视化对比
plt.figure(figsize=(12, 6))

# 原始光谱
plt.subplot(1, 2, 1)
plt.plot(spectra.values.T, color='blue', alpha=0.1)
plt.title('Original Spectra')
plt.xlabel('Wavelength Index')
plt.ylabel('Reflectance')

# MSC校正后的光谱
plt.subplot(1, 2, 2)
plt.plot(msc_spectra.T, color='red', alpha=0.1)
plt.title('MSC Corrected Spectra')
plt.xlabel('Wavelength Index')
plt.ylabel('Reflectance')

plt.tight_layout()

在输出的图片中，左侧显示的是原始光谱数据，右侧显示的是经过MSC（多元散射校正）处理后的光谱数据。

原始光谱（左侧图）

颜色和形状：每条蓝色的线代表一个样本的光谱数据，颜色浅且分布较散。
特点：可以观察到光谱数据在某些波长处的反射率（Reflectance）存在一定的波动，这可能是由于散射效应和基线漂移引起的。

MSC校正后的光谱（右侧图）

颜色和形状：每条红色的线代表一个样本的校正后的光谱数据，颜色浅且分布较集中。
特点：校正后的光谱数据在各个波长处的反射率（Reflectance）更加一致，减少了由散射效应和基线漂移引起的变化。整体曲线更加平滑，差异性减少。

总结

变化：经过MSC处理后，光谱数据在整体上变得更加一致和平滑，减少了不必要的噪音和变动，使得数据更适合后续的分析和建模。
意义：MSC处理通过消除光谱数据中的散射效应和基线漂移，提高了数据的质量，增强了不同样本之间的可比性。

防失联，进免费知识星球交流。算法知识直达星球：https://t.zsxq.com/ckSu3

二、SNV（标准正规化变换）

# 提取光谱数据
spectra = nirsoil_df.filter(like='spc.')

# 进行SNV预处理
def snv(input_data):
    # 每个样本减去其均值，然后除以其标准差
    corrected_spectra = (input_data - np.mean(input_data, axis=1, keepdims=True)) / np.std(input_data, axis=1, keepdims=True)
    return corrected_spectra

# 应用SNV
snv_spectra = snv(spectra.values)

# 可视化对比
plt.figure(figsize=(12, 6))

# 原始光谱
plt.subplot(1, 2, 1)
plt.plot(spectra.values.T, color='blue', alpha=0.1)
plt.title('Original Spectra')
plt.xlabel('Wavelength Index')
plt.ylabel('Reflectance')

# SNV校正后的光谱
plt.subplot(1, 2, 2)
plt.plot(snv_spectra.T, color='green', alpha=0.1)
plt.title('SNV Corrected Spectra')
plt.xlabel('Wavelength Index')
plt.ylabel('Reflectance')

plt.tight_layout()
plt.show()

在输出的图片中，左侧显示的是原始光谱数据，右侧显示的是经过SNV（标准正规化变换）处理后的光谱数据。

原始光谱（左侧图）

颜色和形状：每条蓝色的线代表一个样本的光谱数据，颜色浅且分布较散。
特点：可以观察到光谱数据在某些波长处的反射率（Reflectance）存在一定的波动，这可能是由于样本间的差异和噪声引起的。

SNV校正后的光谱（右侧图）

颜色和形状：每条绿色的线代表一个样本的校正后的光谱数据，颜色浅且分布较集中。
特点：校正后的光谱数据在各个波长处的反射率（Reflectance）变得更加一致，样本间的差异和噪声显著减少。每条曲线的均值为零，标准差为一，使得所有光谱都在同一个尺度上。

总结

变化：经过SNV处理后，光谱数据的均值被中心化为零，标准差被标准化为一，减少了由于不同样本间的散射效应和噪声带来的影响。
意义：SNV处理通过对每个样本的光谱数据进行均值中心化和标准化，消除了样本间的散射效应，提高了数据的一致性和可比性，使得数据更适合后续的分析和建模。

三、光谱微分

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 读取数据
# nirsoil_df = pd.read_csv('path_to_your_csv.csv')

# 提取光谱数据
spectra = nirsoil_df.filter(like='spc.')

# 进行光谱微分处理
def spectral_derivative(input_data, order=1):
    if order == 1:
        derivative_spectra = np.diff(input_data, n=1, axis=1)
    elif order == 2:
        derivative_spectra = np.diff(input_data, n=2, axis=1)
    else:
        raise ValueError("Only first and second order derivatives are supported.")
    return derivative_spectra

# 一阶微分
first_derivative = spectral_derivative(spectra.values, order=1)

# 二阶微分
second_derivative = spectral_derivative(spectra.values, order=2)

# 可视化对比
plt.figure(figsize=(12, 6))

# 一阶和二阶微分
plt.plot(first_derivative[0, :], label='1st Derivative', color='black')
plt.plot(second_derivative[0, :], label='2nd Derivative', color='red')

plt.title('Spectral Derivatives')
plt.xlabel('Wavelength Index')
plt.ylabel('Reflectance')
plt.legend()
plt.grid(True)
plt.show()

在输出的图片中，我们同时展示了一阶微分和二阶微分处理后的光谱数据。

一阶微分（黑色线）

特点：一阶微分曲线展示了光谱数据在各个波长处的变化率。它突出了光谱曲线的斜率变化，强调了光谱数据中快速变化的区域。
用途：一阶微分处理可以减少基线漂移的影响，并增强光谱中微弱的特征和变化。这对于区分类似的光谱样本非常有用。

二阶微分（红色线）

特点：二阶微分曲线展示了光谱数据的曲率变化率。它进一步强调了光谱曲线的局部最大值和最小值，突出了更细微的变化。
用途：二阶微分处理可以进一步减少基线漂移和噪声的影响，并提供更多关于光谱中细节特征的信息。这对于精细分析光谱数据中的细节特征非常有用。

总结

变化：一阶和二阶微分处理后，光谱数据的变化率和曲率变化率被突出展示，增强了光谱中细节特征的可见性，减少了基线漂移和噪声的影响。
意义：导数处理通过强调光谱数据的变化率和曲率变化率，提供了更清晰的特征和模式，有助于后续的分析和建模。

四、基线校正

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.sparse import diags
from scipy.sparse.linalg import spsolve

# 读取数据
# nirsoil_df = pd.read_csv('path_to_your_csv.csv')

# 提取光谱数据
spectra = nirsoil_df.filter(like='spc.')

# 进行AsLS基线校正
def baseline_als(y, lam=1e5, p=0.01, niter=10):
    L = len(y)
    D = diags([1, -2, 1], [0, -1, -2], shape=(L, L-2))
    D = lam * D.dot(D.T)
    w = np.ones(L)
    for i in range(niter):
        W = diags(w, 0, shape=(L, L))
        Z = W + D
        z = spsolve(Z, w*y)
        w = p * (y > z) + (1-p) * (y < z)
    return z

def baseline_correction(input_data):
    corrected_spectra = np.zeros_like(input_data)
    for i in range(input_data.shape[0]):
        baseline_values = baseline_als(input_data[i, :])
        corrected_spectra[i, :] = input_data[i, :] - baseline_values
    return corrected_spectra

# 应用基线校正
corrected_spectra = baseline_correction(spectra.values)

# 可视化对比
plt.figure(figsize=(12, 6))

# 原始光谱
plt.subplot(1, 2, 1)
plt.plot(spectra.values.T, color='blue', alpha=0.1)
plt.title('Original Spectra')
plt.xlabel('Wavelength Index')
plt.ylabel('Reflectance')

# 基线校正后的光谱
plt.subplot(1, 2, 2)
plt.plot(corrected_spectra.T, color='green', alpha=0.1)
plt.title('Baseline Corrected Spectra')
plt.xlabel('Wavelength Index')
plt.ylabel('Reflectance')

plt.tight_layout()
plt.show()

在输出的图片中，左侧显示的是原始光谱数据，右侧显示的是经过基线校正处理后的光谱数据。

原始光谱（左侧图）

颜色和形状：每条蓝色的线代表一个样本的光谱数据，颜色浅且分布较散。
特点：可以观察到光谱数据在各个波长处的反射率（Reflectance）存在一定的基线漂移和噪声，这可能是由测量误差和环境因素引起的。

基线校正后的光谱（右侧图）

颜色和形状：每条绿色的线代表一个样本的校正后的光谱数据，颜色浅且分布较集中。
特点：校正后的光谱数据在各个波长处的反射率（Reflectance）变得更加一致，基线漂移被去除，噪声显著减少。曲线的整体趋势更加平滑和稳定。

总结

变化：经过基线校正处理后，光谱数据的基线漂移被有效去除，减少了由测量误差和环境因素带来的影响，使得光谱数据更加清晰和稳定。
意义：基线校正处理通过去除光谱数据中的基线漂移，提高了数据的质量和一致性，便于后续的分析和建模。

防失联，进免费知识星球交流。算法知识直达星球：https://t.zsxq.com/ckSu3

五、去趋势

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import detrend

# # 读取数据
# nirsoil_df = pd.read_csv('path_to_your_csv.csv')

# 提取光谱数据
spectra = nirsoil_df.filter(like='spc.')

# 进行去趋势处理
def detrending(input_data):
    detrended_spectra = detrend(input_data, axis=1)
    return detrended_spectra

# 应用去趋势处理
detrended_spectra = detrending(spectra.values)

# 可视化对比
plt.figure(figsize=(12, 6))

# 原始光谱
plt.subplot(1, 2, 1)
plt.plot(spectra.values.T, color='blue', alpha=0.1)
plt.title('Original Spectra')
plt.xlabel('Wavelength Index')
plt.ylabel('Reflectance')

# 去趋势后的光谱
plt.subplot(1, 2, 2)
plt.plot(detrended_spectra.T, color='brown', alpha=0.1)
plt.title('Detrended Spectra')
plt.xlabel('Wavelength Index')
plt.ylabel('Reflectance')

plt.tight_layout()
plt.show()

在输出的图片中，左侧显示的是原始光谱数据，右侧显示的是经过去趋势处理后的光谱数据。

原始光谱（左侧图）

颜色和形状：每条蓝色的线代表一个样本的光谱数据，颜色浅且分布较散。
特点：光谱数据在各个波长处的反射率（Reflectance）存在一定的趋势，这些趋势可能是由实验条件、测量误差等因素引起的。

去趋势后的光谱（右侧图）

颜色和形状：每条棕色的线代表一个样本的去趋势处理后的光谱数据，颜色浅且分布较集中。
特点：去趋势处理后，光谱数据中各个波长处的趋势被去除，数据更加平稳和一致，减少了由实验条件、测量误差等因素带来的系统性偏差。

总结

变化：经过去趋势处理后，光谱数据中的系统性趋势被去除，光谱曲线更加平稳和一致，减少了外部因素带来的系统性偏差。
意义：去趋势处理通过去除光谱数据中的系统性趋势，提高了数据的质量和一致性，使得光谱数据更适合后续的分析和建模。

更多内容，见微*公号往期文章：审稿人：拜托，请把模型时间序列去趋势！！

[ 抱个拳，总个结 ]

- 科研为国分忧，创新与民造福 -

日更时间紧任务急，难免有疏漏之处，还请大侠海涵内容仅供学习交流之用，部分素材来自网络，侵联删

[ 算法金，碎碎念 ]

全网同名，日更万日，让更多人享受智能乐趣

如果觉得内容有价值，烦请大侠多多分享、在看、点赞，助力算法金又猛又持久、很黄很 BL 的日更下去；

同时邀请大侠关注、星标算法金，围观日更万日，助你功力大增、笑傲江湖

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

机器学习

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

机器学习

登录后参与评论

0 条评论

热度