数据清洗与特征处理
原数据通常是脏数据,在对数据进行后续处理之前,需要先对数据进行清洗以及特征处理。数据清洗一般来说包括对数据进行缺失值处理、异常值检测以及数据转换等。
1、缺失值观察和处理
(1)查看缺失值方式
缺失值在数据中一般为空白或NaN形式
查看所在列缺失值数量,以泰坦尼克号为例
#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(3)
#方法一
df.info()
#方法二
df.isnull().sum()
查看特定列的缺失值
df[['Age','Cabin','Embarked']].head(3)
(2)缺失值处理方法
对于缺失值的处理,一般来说可以采用删除、均值、中位数、众数以及利用特征间的相关性进行预测填充等方式。如果特征的缺失数量过大,我们可以选择删除特征;如果缺失值数据不多,我们可以采用缺失值填充的方式对缺失值进行填充。
一般来说对于离散型数据我们可以采用众数的方式进行填充或是将缺失值作为一个新数据进行独热编码处理。
对于连续型数据,可以采用统计学数据进行填充,但一般来说这样的填充可能会作为噪声,对数据本身造成影响;若特征间的相关性较高,可以利用特征间的相关性对缺失值进行建模预测。
#对缺失值进行定值填充
df.fillna(0).head()
2、重复值观察与处理
查看数据中的重复值
df[df.duplicated()]
#对缺失值进行清理
df.drop_duplicates().head()
3、特征观察与处理
(1)将连续特征离散化
#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.head()
#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.head(3)
#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()
(2)对文本数据进行转换
#查看类别文本变量名及种类
#方法一: value_counts
df['Sex'].value_counts()
df['Cabin'].value_counts()
df['Embarked'].value_counts()
#方法二: unique
df['Sex'].unique()
df['Sex'].nunique()
#将类别文本转换为12345
#方法一: replace
df['Sex_num'] = df['Sex'].replace(['male','female'],[1,2])
df.head()
#方法二: map
df['Sex_num'] = df['Sex'].map({'male': 1, 'female': 2})
df.head()
#方法三: 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()
#将类别文本转换为one-hot编码
#方法一: OneHotEncoder
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()