datawhale动手学数据分析-task2

Task02： 数据清洗及特征处理2天）(第二章第1节)

2.1 缺失值观察与处理¶

df.info()
df.isnull().sum()

对缺失值进行处理

个人习惯：df[‘Age’]=df[‘Age’].fillna(0)
df[df[‘Age’].isnull()] = 0

学到的新方式：
df[df[‘Age’] == np.nan] = 0
df[df[‘Age’]==None]=0

这些哪个更好，不清楚

2.2 重复值观察与处理

df[df.duplicated()]
df = df.drop_duplicates()
df.head()

2.3 特征观察与处理

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？

(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

(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

(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

#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])
#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])
#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])

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
df[‘Sex’].value_counts()
df[‘Cabin’].value_counts()
df[‘Embarked’].value_counts()

#方法二: unique
df[‘Sex’].unique()

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

(3) 将文本变量Sex， Cabin， Embarked用one-hot编码表示
#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[feat], prefix=feat)
    df = pd.concat([df, x], axis=1)

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()

关于上述姓名提取字符的正则表达式的解释：
从大写字母A-Z中匹配，再从小写字母a-z中匹配， 到 .（点）这里结束。
\表示转义，在正则表达式中点（.）表示：匹配除换行符 \n 之外的任何单字符。若要直接使用则需要加上转义符号