数据分析与清洗:
数据可以分为五类:第三方时间数据、UserInfo、教育情况、Web、Social;前期是对数据进行一个基本的分析,大致如下:
关于UserInfo
- 一共从1到24 列
- 其中只有第10,18列为数值型
- 第2,4,7,8,19,20,24 为地理位置,且第24列内容较为齐全,猜测为家庭详细地址;有关地理位置的使用情况:
1.1 国家对城市刚刚颁布了城市等级表,有六个等级,代表着发达程度,
1.2 城市有gdp,代表着贫富程度
1.3 按地理位置的经纬度来划分 - 9为通讯方式,常识上没有关系
- 18 为年龄,重要属性
- 22 是婚否,重要属性,里面包含未婚、已婚、离婚、再婚、初婚、不详、D ;
- 23是学历,重要属性,包含类别更多,且和后面的教育情况有一定关系;
1.3 关于教育情况
- 一共8列
- 前4列紧密相关,后4列紧密相关,各列每行都对应,前4列中第一列为1,第三列为毕业,第二、四不清楚含义;后四列第一列为1,第三列为不详,第二四列不清楚含义;
关于web情况
- 一共58列
- 只有19,20,21,为类别型;首先对这三列补值‘D’,然后使用哑向量处理
-10全部行为0 ,该列没有意义,删除
关于social
- 一共16列
1.6 关于日期
- 暂时没有发现与target 有任何关系,舍弃;
二、 第一轮处理
现在不确定各个特征的重要程度,没有随意删除;现在的处理包括:
- 第三方时间数据依据周期性补值;在此基础上对于各周期均为空的按列均值进行处理;目前保存了两个版本;接下来可以考虑归一化,删除,
- UserInfo 这一块内容比较重要,有待深入分析;目前就将婚姻情况的汉字进行了处理;第一、三列进行了众数补值;地理位置列舍弃;通讯信息列舍弃;21列与22完全相关,舍弃;11,12,13列空值过多,舍弃;毕业情况,舍弃;23学历,24户籍,不确定如何处理,暂时舍弃;
- 教育情况,分别保留第1列和第5列;
- web情况,对三类类别型数据进行分类处理;其他列补空值为-1;
- social 情况,暂未处理;
目前主要是处理了包含文字的列,以及空值; 接下来再继续深入处理;