(一)使用pandas来看看数据先
任何机器学习项目的第一步都是熟悉数据,你将会使用到pandas库,pandas是数据科学家用于探索和操作数据的主要工具
大多数人在他们的代码中将pandas缩写为pd. 我们一般这么来使用
pandas库中最重要的部分是DataFrame。 DataFrame包含你可以认为是表的数据类型。 这类似于Excel中的工作表或SQL数据库中的表。
pandas提供了强大的功能来操作此类数据类型
在这个案例里,我们将查看澳大利亚墨尔本的房价数据。 在动手练习中,你将会把相同的流程应用于新的数据集,该数据集有爱荷华州的房价。
(二)数据描述
结果显示原始数据集中每列的8个指标。 第一个指标(count)显示有多少行具有非缺失值。
缺失值的出现有许多原因。 例如,在调查单卧室房屋时,不会收集第二间卧室的大小。 我们后面会有关于缺失数据的主题。
第二个指标是平均值,即average。 在此之下,std是标准差,能反映一个数据集的离散程度。
要解释最小值,25%,50%,75%和最大值,请设想将每列从最低值到最高值进行排序。 第一个(最小)值是min。 如果你走过列表的四分之一,你会发现一个大于值的25%并且小于值的75%的数字。 这是25%的值。 第50和第75百分位数的定义类似,最大值是最大数字。