第二章：数据清洗及特征处理

2.1 缺失值观察与处理

2.1.1 任务一：缺失值观察
(1) 请查看每个特征缺失值个数
(2) 请查看Age， Cabin， Embarked列的数据

#加载所需的库
import numpy as np
import pandas as pd

#加载数据train.csv
df = pd.read_csv('train.csv')
df.head

df.isna().sum()

df[['Age','Cabin','Embarked']]

2.1.2 任务二：对缺失值进行处理
(1)处理缺失值一般有几种思路
①删除
②填充
③判断是否是缺失值
(2) 请尝试对Age列的数据的缺失值进行处理
(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()#只要是行有缺失值，那么这些行被删除

df.dropna(axis='columns')#只要是列有缺失值，那么这些列被删除

df.dropna(how='all')#判断行或者列中的所有元素都是空，则删除掉对应的行列值。

df.dropna(thresh=2)#有两个空值的行删除掉

df.dropna(subset=['Age', 'Cabin'])#删除掉指定列空值的行

2.2 重复值观察与处理

2.2.1 任务一：请查看数据中的重复值

df[df.duplicated()]

2.2.2 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

df = df.drop_duplicates()
df.head()

2.2.3 任务三：将前面清洗的数据保存为csv格式

df.to_csv('test_clear.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。
2.3.1 任务一：对年龄进行分箱（离散化）处理
(1) 分箱操作是什么？
类似把大量的数据分段
(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['AgeBand']=pd.cut(df['Age'],5,labels=[1,2,3,4,5])
df

(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['AgeBand']=pd.cut(df['Age'],[0,5,15,30,50,80],labels=[1,2,3,4,5])
df

(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['AgeBand'] = pd.qcut(df['Age'],[0,0.1,0.3,0.5,0.7,0.9],labels = [1,2,3,4,5])
df.head

(5) 将上面的获得的数据分别进行保存，保存为csv格式

df.to_csv('test_pr.csv')

2.3.2 任务二：对文本变量进行转换
(1) 查看文本变量名及种类

df['Sex'].value_counts()

(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.head()

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

for feat in ["Age", "Embarked"]:
#     x = pd.get_dummies(df["Age"] // 6)
#     x = pd.get_dummies(pd.cut(df['Age'],5))
    x = pd.get_dummies(df[feat], prefix=feat)
    df = pd.concat([df, x], axis=1)
    #df[feat] = pd.get_dummies(df[feat], prefix=feat)
    
df.head()

2.3.3 任务三（附加）：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)

df['Title'] = df.Name.str.extract('([A-Za-z]+)\.', expand=False)
df.head()

总结：
1\对确实值处理 使用drop
【参考】https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.dropna.html

【参考】https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.fillna.html

2\本文变量转换
cut 和qcut
【参考】https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.cut.html

【参考】https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.qcut.html