动手学习数据分析课程2

【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

#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)

2 第二章：数据清洗及特征处理

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

(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

#写入代码 哪个特征有缺失,发现Age，Cabin和Embarked属性下显示是True，说明这些属性下是有缺失的
nullfea = df.isnull().any()
print(nullfea)

#写入代码 查看特征缺失值的个数,发现Age有177个缺失值，Cabin为687个，Embarked为2个
nullnum = df.isnull().sum()
print(nullnum)

#写入代码 应用df.info()也可以看那些属性有缺失
df.info()

#查看Age， Cabin， Embarked列，并列出前5行
df[['Age','Cabin','Embarked']].head()

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

(2) 请尝试对Age列的数据的缺失值进行处理

(3) 请尝试使用不同的方法直接对整张表的缺失值进行处理

#处理缺失值的一般思路：
#提醒：可使用的函数有--->dropna函数与fillna函数，其中第一个函数是把具有缺失值的列或者行删除，第二个函数是把要填入的内容补入缺失值，可以补平均值、中位数等。
df1 = df.fillna({'Age':0})
#用 fillna填充，df本身并没有变，只是产生出一个副本，因此我们把它定义为df1

#写入代码
df.loc[df['Age'].isnull(),'Age'] = 0
df.isnull().sum()
# 也可以用loc函数，这也相当于对前面命令的复习，因为loc函数显示的是行，那也就意味着对于Age这一列的所有行，如果里面有空的就都替换为0

#写入代码 用第一个方法对整张表的缺失值进行填充，但是注意这个是产生一个副本df1,但是由于上面我们用了loc函数进行填充，所以现在的df已经变成Age没有空值了
df1 = df.fillna(0)
df1.isnull().sum()

【思考1】dropna和fillna有哪些参数，分别如何使用呢?

【思考】检索空缺值用np.nan,None以及.isnull()哪个更好，这是为什么？如果其中某个方式无法找到缺失值，原因又是为什么？

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

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

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

#写入代码 发现没有重复行
df1[df1.duplicated()]

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？

(2)处理我们数据的重复值

方法多多益善

#重复值有哪些处理方式：利用drop_duplicates()删除重复行
df1.drop_duplicates()
df1.count()

2.2.3 任务三：将前面清洗的数据保存为csv格式

#写入代码
df1.to_csv('new_train.csv')

2.3 特征观察与处理

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？

(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

(5) 将上面的获得的数据分别进行保存，保存为csv格式

分箱操作是什么：

答：分箱操作就是将连续数据转换为分类对应物的过程。⽐如将连续的年龄数据划分为：青年，中年，老年，这些是对应的模糊概念。这个好处是可以将异常值的影响降到最低，因为异常值只会进入到一个分组里面，对整体的数据分析影响有限，我们可以用pd.cut()

#写入代码
df1['Agegroup'] = pd.cut(df1['Age'],5,labels = list('12345'))
df1['Agegroup'] 
#接下来用直方图来画一下统计结果
from matplotlib import pyplot as plt
plt.hist(df1['Age'])
df1

#写入代码 分成的5个区间为左闭右开区间，因此加入right = False，在这里，我们也可以将之前Agegroup的1,2,3,4,5替换为这5个区间，
df1['Agegroup']=pd.cut(df1['Age'],[0,5,15,30,50,80],right = False,labels = list('12345'))
df1.head(10)

#写入代码 用pd.qcut()对数据进行百分比分段 这里没怎么听懂 细节上再看看，这里没有实现
df1['Agegand']=pd.qcut(df1['Age'],[0,0.1,0.3,0.5,0.7,0.9],labels=[1,2,3,4,5])
df

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

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

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

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

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

#写入代码 使用value_counts()来查看，也可以用unique()
df1['Sex'].value_counts()
df1['Sex'].unique()

df1['Sex'].replace(['male','female'],[1,2],inplace = True)
df1.head()

这里inplace = Ture 表示replace直接作用于数据本身，如果是false则产生的是一个副本

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)

这边我们需要把Name的特征中的Mrs/Mr/Miss这些拿出来，因此我们观察这些特征后面都直接跟着点符号，因此我们采用正则表达式进行识别。其中A-Za-z表示大写字母和小写字母。

如果不是很理解正则表达式的使用，建议看下该参考链接：55分钟学会正则表达式（转载自Github） - 知乎 (zhihu.com) 这里是参考网上资料https://zhuanlan.zhihu.com/p/541616897

#写入代码
df1['Title'] = df1.Name.str.extract('([A-Za-z]+)\.')
df1