加州房价篇 (二) : 处理数据

现在是时候对数据动一动手脚了

运行本篇文章代码时必须先运行加州房价篇 (一) : 了解数据中的所有代码

在正式处理数据之前,我们需要先把median_house_value(地区房屋均价)这一特征摘出来，这是我们的目标，无需处理

housing_target = housing["median_house_value"].copy()
housing = housing.drop("median_house_value", axis=1)

处理数据

还记得我们在加州房价篇 (一) : 了解数据中一开始就遇到的两个数据自身的问题吗

我们再看一下

housing.info()

输出：

4和9号特征，数据缺失和非数字数据

解决数据缺失

一般来说，我们有三种方法来处理这个问题

1. 放弃这些有数据缺失的地区，207个
2. 放弃这个特征(total_bedrooms)
3. 用一些数字把缺失填补好(中位数，平均数，众数)

选择1：

housing.dropna(subset=["total_bedrooms"]) 

选择2:

housing.drop("total_bedrooms", axis=1) 

选择3：

median = housing["total_bedrooms"].median() #中位数
housing["total_bedrooms"].fillna(median, inplace=True)

我们更倾向于做数据损失更少的处理，显然选择3更好，执行选择3的代码