Datawhale---动手学数据分析---第二章：第二章：数据清洗及特征处理(泰坦尼克的任务)

Datawhale---动手学数据分析---第一章：数据载入及初步观察(泰坦尼克的任务)

【回顾&引言】前面一章的内容大家可以感觉到我们主要是对基础知识做一个梳理，让大家了解数

据分析的一些操作，主要做了数据的各个角度的观察。那么在这里，我们主要是做数据分析的流程

性学习，主要是包括了数据清洗以及数据的特征处理，数据重构以及数据可视化。这些内容是为数

据分析最后的建模和模型评价做一个铺垫。

开始之前，导入numpy、pandas包和数据

import numpy as np
import pandas as pd
df = pd.read_csv('train.csv')
df

我们拿到的数据通常是不干净的，所谓的不干净，就是数据中有缺失值，有一些异常点等，需要经

过一定的处理才能继续做后面的分析或建模，所以拿到数据的第一步是进行数据清洗，本章我们将

学习缺失值、重复值、字符串和数据转换等操作，将数据清洗成可以分析或建模的亚子。

2.1 缺失值观察与处理

我们拿到的数据经常会有很多缺失值，比如我们可以看到Cabin列存在NaN，那其他列还有没有缺

失值，这些缺失值要怎么处理呢？

2.1.1 任务一：缺失值观察

(1) 请查看每个特征缺失值个数

#方法一
df.info()

#方法二
df.isnull().sum()

(2) 请查看Age， Cabin， Embarked列的数据 以上方式都有多种方式，所以大家多多益善

#方法一
df[['Age','Cabin','Embarked']]
#方法二
df.iloc[:,[5,10,11]]
#方法三
df.loc[:,['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

替换，删除，填充，不处理

(2) 请尝试对Age列的数据的缺失值进行处理

#方法一
df[df['Age'] == None] = 0
df

 这里可以发现编号889的Age列的数据并没有发生变化（数值列读取数据后，空缺值的数据类型为float64所以用None一般索引不到）

#方法二
df[df['Age'].isnull()] = 0
df
#方法三
df[df['Age'] == np.nan] = 0
df

 而这里的Age列虽然发生了变化，但是其他列的数据也跟着发生了变化

所以应该怎样才能正确处理缺失值呢，经过查询资料后知道了dropna函数与fillna函数

详情见fillna()函数的用法&dropna()函数的用法

  (3) 那现在尝试使用上面的两种方法直接对整张表的缺失值进行处理

df.dropna()

df.fillna(0)

 具体操作自己多加练习

2.2 重复值观察与处理

由于这样那样的原因，数据中会不会存在重复值呢，如果存在要怎样处理呢

2.2.1 任务一：请查看数据中的重复值

可以参考duplicate()函数的用法

df[df.duplicated()]

可知该数据没有整行的重复值，而当我们想知道某一列的数据是否有重复时，可在括号内加上列名

df[df.duplicated('Fare')]

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？

处理重复值，首先要看它有没有用，如果没有用的话，一般是进行删除操作，否则保留 

(2)处理我们数据的重复值

#删除票价一样的数据
df.drop_duplicates('Fare')

2.2.3 任务三：将前面清洗的数据保存为csv格式 

df.to_csv('train_clear.csv')

2.3 特征观察与处理

#重新导入numpy、pandas包和数据
import numpy as np
import pandas as pd
df = pd.read_csv('train.csv')
df

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，数值型特征一般可以直接用于模型的训练，但有时候为了模型的稳定性

及鲁棒性会对连续变量进行离散化。文本型特征往往需要转换成数值型特征才能用于建模分析。

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？

详情见python pandas 分箱操作

完成下面的问题需要提前了解cut()的用法&qcut()的用法

(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['Age_cut1'] = 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['Age_cut2'] = 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['Age_cut3'] = pd.qcut(df['Age'],[0, 0.1, 0.3, 0.5, 0.7, 0.9], labels = [1, 2, 3, 4, 5])
df

(5) 将上面的获得的数据分别进行保存，保存为csv格式

#为了方便观察，直接三个存在一起了
df.to_csv('train_cut.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

方法一: value_counts(详情见value_counts()的用法)

df['Sex'].value_counts()

方法二: unique(详情见unique()的用法)

df['Sex'].unique()

 

(2) 将文本变量Sex， Cabin ，Embarked用数值变量12345表示

方法一: replace(详情见replace()的用法)

df['Sex_num'] = df['Sex'].replace(['male','female'],[1,2])
df

方法二: map(详情见map()的用法) 

方法三: 使用sklearn.preprocessing的LabelEncoder

详情见sklearn.preprocessing.LabelEncoder()的用法

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

(3) 将文本变量Sex， Cabin， Embarked用one-hot编码表示

for i in ['Sex', 'Embarked']:
    x = pd.get_dummies(df[i], prefix = i)
    df1 = pd.concat([df, x], axis=1)
df1.head()

 2.3.3 任务三：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

保存最终你完成的已经清理好的数据

df.to_csv('train2.csv')