动手学数据分析 | 数据清洗及特征处理(二)

接上篇动手学数据分析 | 数据基础操作(一)，下面代码为本篇内容的基本代码准备工作。

import numpy as np
import pandas as pd

df = pd.read_csv('train.csv')

通常我们拿到的数据是不干净的，即数据中有缺失值、异常点等，需经过一定处理才能继续做后续的分析或建模，所以拿到数据的第一步是进行数据清洗。

目录

一、缺失值观察与处理

1.缺失值观察

2.处理缺失值

二、重复值观察与处理

1.查看重复值

2.处理重复值

三、特征观察与处理

1.分箱（离散化）处理

2.转换文本变量

3.特征提取

---

一、缺失值观察与处理

1.缺失值观察

查看每个特征缺失值个数

df.info()    #法一
# <class 'pandas.core.frame.DataFrame'>
# RangeIndex: 891 entries, 0 to 890
# Data columns (total 12 columns):
#  #   Column       Non-Null Count  Dtype  
# ---  ------       --------------  -----  
#  0   PassengerId  891 non-null    int64  
#  1   Survived     891 non-null    int64  
#  2   Pclass       891 non-null    int64  
#  3   Name         891 non-null    object 
#  4   Sex          891 non-null    object 
#  5   Age          714 non-null    float64
#  6   SibSp        891 non-null    int64  
#  7   Parch        891 non-null    int64  
#  8   Ticket       891 non-null    object 
#  9   Fare         891 non-null    float64
#  10  Cabin        204 non-null    object 
#  11  Embarked     889 non-null    object 
# dtypes: float64(2), int64(5), object(5)
# memory usage: 83.7+ KB

df.isnull().sum()   #法二
# PassengerId      0
# Survived         0
# Pclass           0
# Name             0
# Sex              0
# Age            177
# SibSp            0
# Parch            0
# Ticket           0
# Fare             0
# Cabin          687
# Embarked         2
# dtype: int64

查看Age， Cabin， Embarked列的数据

df[['Age','Cabin','Embarked']].head(3)
#     Age Cabin Embarked
# 0  22.0   NaN        S
# 1  38.0   C85        C
# 2  26.0   NaN        S

2.处理缺失值

df[df['Age']==None]=0

df[df['Age'].isnull()] = 0
# 0      False
# 1      False
# 2      False
# 3      False
# 4      False
 
# 886    False
# 887    False
# 888     True
# 889    False
# 890    False
# Name: Age, Length: 891, dtype: bool
df[df['Age'] == np.nan] = 0

【思考】检索空缺值用np.nan,None及.isnull()哪个更好？若某个方式无法找到缺失值，原因是？
这个问题笔者暂时还没查明白……等再了解一些后会进行更新。目前只发现打印df['Age']==None，df['Age'].isnull()和df['Age'] == np.nan发现只有.isnull()将第888个数据显示为True，其余两种方式均显示为False。
由于数值列读取数据后，空缺值的数据类型为float64，所以用None一般索引不到，比较的时候最好用np.nan

df.dropna().head(3)

df.fillna(0).head(3)

【拓展】dropna和fillna有哪些参数，分别如何使用?
dropna(axis=0,how='any',thresh='None',subset='None',inplace='False')用于找到DataFrame类型数据的空值（缺失值），将空值所在的行/列删除后，将新的DataFrame作为返回值返回。
axis取0或'index'，index表示行索引，若某行有空值，则删除该行；同样，若对列操作则取1或'column'。默认值为0；
how筛选方式。any表示该行/列只要有一个以上的空值就删除该行/列；all表示该行/列全部都为空值就删除该行/列，默认值any；
thresh删除条件（int整数型）：行/列中非空元素个数小于thresh，该行/列会才会被删除。可理解为空值太多了才启动删除行/列；
如果axis=0或者‘index'，subset中元素为列索引，如d.dropna(axis='index', how='all', subset=[0,5,6]))表当某行的0，5，6列均为空时删除该行；
inplace是否直接在原dataframe进行缺失值删除，默认False，即不在原DataFrame上进行缺失值删除操作。

df.fillna(a,[inplace=False])用指定值填充dataframe中的缺失值。
a表示常数或字典，若a为常数则用常数a填充缺失值；若a为字典则表示第key列的缺失值用key对应的value值填充，如df.fillna({0:10,1:20})表示用10去填充第0列的缺失值，用20去填充第1列的缺失值；
inplace为可选参数，默认为False表示不修改原对象。
详细讲解可见：

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.dropna.html

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

二、重复值观察与处理

1.查看重复值

udge = df.duplicated()    #判断是否存在重复值
print(judge)
# 0      False
# 1      False
# 2      False
# 3      False
# 4      False
#        ...
# 886    False
# 887    False
# 888    False
# 889    False
# 890    False
# Length: 891, dtype: bool

df[df.duplicated()]    #该数据无重复值
# Empty DataFrame
# Columns: [PassengerId, Survived, Pclass, Name, Sex, Age, SibSp, Parch, Ticket, Fare, Cabin, Embarked]
# Index: []

2.处理重复值

若有重复值用duplicated(subset=None, keep='first')：
subset用于识别重复出现的列标签或列标签序列，默认识别所有的列标签；
keep删除重复项并保留第一次出现的，取值可以为first，last，False；
如df.drop_duplicates()删除数据记录中所有列值相同的记录，df.drop_duplicates(['Age'])删除数据记录中Age列值相同的记录。
重复值处理完后，index会有不连续，可以通过上一篇学的reindex()方法完成连续索引操作。

三、特征观察与处理

对特征进行观察，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和Pclass为离散型数值特征，其余为连续型数值特征；
文本型特征：Name，Sex，Cabin，Embarked，Ticket，其中Sex，Cabin，Embarked和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。

1.分箱（离散化）处理

对年龄进行分箱（离散化）处理，分箱的本质就是离散化连续变量。
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])

详细可参考：

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.cut.html

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

2.转换文本变量

查看类别文本变量名及种类

df['Sex'].value_counts()    #法一: value_counts
# male      577
# female    314
# Name: Sex, dtype: int64
df['Cabin'].value_counts()
df['Embarked'].value_counts()

df['Sex'].unique()          #法二: unique
#array(['male', 'female'], dtype=object)
df['Sex'].nunique()
#2

将类别文本转换为12345

df['Sex_num'] = df['Sex'].replace(['male','female'],[1,2])   #法一: replace
df.head()

df['Sex_num'] = df['Sex'].map({'male': 1, 'female': 2})      #法二: map
df.head()

from sklearn.preprocessing import LabelEncoder               #法三: 使用sklearn.preprocessing的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()

其中zip()接受一系列可迭代的对象作为参数，将对象中对应的元素打包成一个个tuple，然后返回由这些tuple组成的iterable(可迭代对象)。

将类别文本转换为one-hot编码

for feat in ["Age", "Embarked"]:          #法一: OneHotEncoder
#     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()

3.特征提取

从纯文本Name特征里提取出Titles的特征(所谓Titles就是Mr,Miss,Mrs等)

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

df.to_csv('test_fin.csv')