（翻译）【机器学习微课程系列】1.2-模型是如何工作的-检查数据

使用Pandas熟悉你的数据

任何机器学习项目的第一步都是熟悉数据，我们将用Pandas库来做这个。Pandas是科学家用来探索和操纵数据的主要工具，大部分人将它简称为pd。执行以下命令来导入Pandas库：

import pandas as pd

Pandas库重要的部分是数据框架，它保存你可能认为是表的数据类型。这类似于Excel中的工作表或SQL数据库中的表。

Pandas有各种强大的方法来处理数据。

例如，我们要查看澳大利亚墨尔本的房价数据。在练习中，你将对一个新的数据集应用相同的处理过程，该数据集有爱荷华州的房价。

示例（墨尔本）数据位于文件路径：

../input/melbourne-housing-snapshot/melb_data.csv

我们使用以下命令加载和浏览数据：

# save filepath to variable for easier access
melbourne_file_path = '../input/melbourne-housing-snapshot/melb_data.csv'
# read the data and store data in DataFrame titled melbourne_data
melbourne_data = pd.read_csv(melbourne_file_path) 
# print a summary of the data in Melbourne data
melbourne_data.describe()

（译者注： 我跑这段代码的时候，没有使用相对路径，使用的是绝对路径：
melbourne_file_path = ‘E:/input/melbourne-housing-snapshot/melb_data.csv’）

输出如下：

	Rooms	Price	Distance	Postcode	Bedroom2	Bathroom	Car	Landsize	BuildingArea	YearBuilt	Lattitude	Longtitude	Propertycount
count	13580.000000	1.358000e+04	13580.000000	13580.000000	13580.000000	13580.000000	13518.000000	13580.000000	7130.000000	8205.000000	13580.000000	13580.000000	13580.000000
mean	2.937997	1.075684e+06	10.137776	3105.301915	2.914728	1.534242	1.610075	558.416127	151.967650	1964.684217	-37.809203	144.995216	7454.417378
std	0.955748	6.393107e+05	5.868725	90.676964	0.965921	0.691712	0.962634	3990.669241	541.014538	37.273762	0.079260	0.103916	4378.581772
min	1.000000	8.500000e+04	0.000000	3000.000000	0.000000	0.000000	0.000000	0.000000	0.000000	1196.000000	-38.182550	144.431810	249.000000
25%	2.000000	6.500000e+05	6.100000	3044.000000	2.000000	1.000000	1.000000	177.000000	93.000000	1940.000000	-37.856822	144.929600	4380.000000
50%	3.000000	9.030000e+05	9.200000	3084.000000	3.000000	1.000000	2.000000	440.000000	126.000000	1970.000000	-37.802355	145.000100	6555.000000
75%	3.000000	1.330000e+06	13.000000	3148.000000	3.000000	2.000000	2.000000	651.000000	174.000000	1999.000000	-37.756400	145.058305	10331.000000
max	10.000000	9.000000e+06	48.100000	3977.000000	20.000000	8.000000	10.000000	433014.000000	44515.000000	2018.000000	-37.408530	145.526350	21650.000000

数据解释

结果显示原始数据集中每列有8个数字。第一个数字count显示有多少未丢失数据行。

丢失数据有很多原因。例如，在测量只有一件卧室的房屋时，第二间卧室大小的值将缺失。

第二个值是平均值。在这种情况下，std就是标准差，它测量数值的分布情况。

要解释min、25%、50%、75%和max，请设想按每列数据从低到高排序。第一个（最小的）值是min。如果你浏览列表的四分之一，你会发现一个大于值的25%且小于值的75%的数字。这是25%的值（读作“25%”）。50%和75%的定义类似，最大值是最大的。

轮到你了

开始你的第一个编码练习。