前言
之前照着kaggle上的几个大神的帖子对“泰坦尼克存活率”的例子进行了学习和模仿,发现特征工程真的很重要,特征工程有一定的套路,这里的套路我更想理解为是一些必备的处理数据的步骤。当我们手上拿到了一组数据的时候,为了“让数据说话”(当然数据不会说话,我们做特征工程就是为了让数据说话),使用这些常规套路,能够让我们更快地去了解这些陌生的数据,进而加上我们对这批数据的理解,发散思维,去完成对数据的处理。
废话不多说,下面直接进入正题
step1:将后续所需要的包导入,包括:pandas,numpy,matplotlib,sklearn等
import pandas as pd
import numpy as np
from pandas import Series,DataFrame
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestRegressor
from sklearn import cross_validation
step2:导入数据,没有数据你去捣鼓谁去。这里数据分为两个,训练集和测试集,具体怎么下载可以直接上kaggle官网下或者自行百度下载。
这里可以使用read_csv或者read_table来读取数据,针对你存储数据文件的类型选取合适的方法。
data_train = pd.read_csv("train.csv")
data_test = pd.read_csv("test.csv")
step3:查看数据的信息,包括数据的每列的数量(查看是否有缺失值),查看每列数据的表达形式,是数字还是字符串。
step4:针对不同的数据类型,我们有不