Datawhale《动手学数据分析》Task02：数据清洗及特征处理

2 第二章：数据清洗及特征处理

我们拿到的数据通常是不干净的，所谓的不干净，就是数据中有缺失值，有一些异常点等，需要经过一定的处理才能继续做后面的分析或建模，所以拿到数据的第一步是进行数据清洗，本章我们将学习缺失值、重复值、字符串和数据转换等操作，将数据清洗成可以分析或建模的亚子。

2.1 缺失值观察与处理

我们拿到的数据经常会有很多缺失值，比如我们可以看到Cabin列存在NaN，那其他列还有没有缺失值，这些缺失值要怎么处理呢

任务一：缺失值观察

(1) 请查看每个特征缺失值个数

#导入numpy、pandas包和数据
import numpy as np
import pandas as pd

df = pd.read_csv(r"..\titanic\train.csv")

#方法一：显示每一列空值的个数
df.isnull().sum()

#方法二：查看值的缺失情况
df.info()

(2) 请查看Age， Cabin， Embarked列的数据

print(df[['Age','Cabin','Embarked']])
print(df.loc[:,['Age','Cabin','Embarked']])

 

任务二：对缺失值进行处理

(1)处理缺失值一般有几种思路

直接删除或数据填充

(2) 请尝试对Age列的数据的缺失值进行处理

#将缺失值置0
df[df['Age'] == None] = 0
df[df['Age'].isnull()] = 0
df[df['Age'] == np.nan] = 0

(3) 请尝试使用不同的方法直接对整张表的缺失值进行处理

df.dropna()

df.fillna(0)

【思考】dropna和fillna有哪些参数，分别如何使用呢?

dropna：丢弃、删除缺失值
        axis：删除行还是列，{0 or “index”，1 or “columns”}，default 0
        how :如果等于any则任何值为空都删除，如果等于all则所有值为空才删除
        inplace： 如果是True则修改当前df，否则返回新的df
fillna：填充空值
        value： 用于填充的值，可以是单个值，或者字典（key是列名，value是值）
        method ： 等于ffill使用前一个不为空的值填充forword fill；；等于bfill使用后一个不为空的值填充backword fill
        axis ： 按行还是列进行填充{0 or“index”，1 or“columns”}
        inplace： 如果是True则修改当前df，否则返回新的df

【参考】https://www.cnblogs.com/spp666/p/11853418.html

2.2 重复值观察与处理

任务一：请查看数据中的重复值

df.duplicated()

任务二：对重复值进行处理

(1)重复值有哪些处理方式呢？

(2)处理我们数据的重复值

#删除重复值
df=df.drop_duplicates()

 参数：

• subset：表示按照指定的一个或者多个列属性来删除重复值，可选性；默认是全部列属性

• keep：表示删除重复值后保留的数据，默认是保留第一条数据

• inplace：表示删除重复是生成副本，还是直接在原数据上进行修改。这个参数的功能在pandas的功能都是如此

• ingoore_index：生成数据的索引是元数据的，还是从0,1,2...到n-1的自然数排列

【参考】https://blog.csdn.net/fengdu78/article/details/119723313 

任务三：将前面清洗的数据保存为csv格式

df.to_csv('train_new.csv')

2.3 特征观察与处理

我们对特征进行一下观察，可以把特征大概分为两大类：
数值型特征：Survived ，Pclass， Age ，SibSp， Parch， Fare，其中Survived， Pclass为离散型数值特征，Age，SibSp， Parch， Fare为连续型数值特征
文本型特征：Name， Sex， Cabin，Embarked， Ticket，其中Sex， Cabin， Embarked， Ticket为类别型文本特征，数值型特征一般可以直接用于模型的训练，但有时候为了模型的稳定性及鲁棒性会对连续变量进行离散化。文本型特征往往需要转换成数值型特征才能用于建模分析。

任务一：对年龄进行分箱（离散化）处理

(1) 分箱操作是什么？

对连续数据进行离散化

(2) 将连续变量Age平均分箱成5个年龄段，并分别用类别变量12345表示

df['Age_ave'] = pd.cut(df['Age'], 5,labels = [1,2,3,4,5])
df.head()
print(pd.value_counts(df['Age_ave']))   #对不同箱子中的数进行计数
df.to_csv('train_ave.csv')

(3) 将连续变量Age划分为[0,5) [5,15) [15,30) [30,50) [50,80)五个年龄段，并分别用类别变量12345表示

df['Age_interval'] = pd.cut(df['Age'],[0,5,15,30,50,80],labels = [1,2,3,4,5])
df.head()
print(pd.value_counts(df['Age_interval']))   #对不同箱子中的数进行计数
df.to_csv('train_interval.csv')

(4) 将连续变量Age按10% 30% 50% 70% 90%五个年龄段，并用分类变量12345表示

df['Age_percent'] = pd.qcut(df['Age'],[0,0.1,0.3,0.5,0.7,0.9],labels = [1,2,3,4,5])
df.head()
print(pd.value_counts(df['Age_percent']))   #对不同箱子中的数进行计数
df.to_csv('train_percent.csv')

 

(5) 将上面的获得的数据分别进行保存，保存为csv格式

任务二：对文本变量进行转换

df.dtypes

(1) 查看文本变量名及种类

df['Embarked'].value_counts()
df['Embarked'].unique()  #返回列的所有唯一值
df['Embarked'].nunique()  #返回列唯一值的个数

print(df['Sex'].value_counts())
print(df['Sex'].unique())  #返回列的所有唯一值
df['Sex'].nunique()        #返回列唯一值的个数

(2) 将文本变量Sex， Cabin ，Embarked用数值变量12345表示

df['Sex_num'] = df['Sex'].replace(['male','female'],[1,2])
df['Sex_num'] = df['Sex'].map({'male': 1, 'female': 2})


df['Embarked_num'] = df['Embarked'].replace(['S','C','Q'],[1,2,3])
df['Embarked_num'] = df['Embarked'].map({'S': 1, 'C': 2,'Q' : 3})

df.head()

#参考答案：使用sklearn.preprocessing的LabelEncoder
from sklearn.preprocessing import LabelEncoder
for feat in ['Cabin', 'Ticket']:
    lbl = LabelEncoder()  
    label_dict = dict(zip(df[feat].unique(), range(df[feat].nunique())))
    df[feat + "_labelEncode"] = df[feat].map(label_dict)
    df[feat + "_labelEncode"] = lbl.fit_transform(df[feat].astype(str))

df.head()

(3) 将文本变量Sex， Cabin， Embarked用one-hot编码表示

#参考答案: OneHotEncoder
for feat in ["Age", "Embarked"]:
    x = pd.get_dummies(df[feat], prefix=feat)
    df = pd.concat([df, x], axis=1)
    
df.head()

 

任务三：从纯文本Name特征里提取出Titles的特征(所谓的Titles就是Mr,Miss,Mrs等)

#参考答案：使用正则表达式
df['Title'] = df.Name.str.extract('([A-Za-z]+)\.', expand=False)
df.head()