数据清洗
在把数据拿来做分析前,通常我们要做数据清洗,因为我们拿到的原始数据通常是不干净的,所谓的不干净,就是数据中有异常值,缺失值或存在不能直接使用的值等,需要经过一定的处理才能继续做分析或建模。所以拿到数据的第一步是进行数据清洗,对缺失值、重复值、字符串等做数据清理转换等操作,将数据清洗成可以分析或建模的样子。
观察缺失值
import numpy as np
import pandas as pd
df = pd.read_csv("train.csv")
# 通过info查看数据信息
df.info()
<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
# 通过isnull获取空值信息
df.isnull().sum()
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
由此可以看出 Age、Cabin、Embarked三列存在缺失值
# 查看Age、Cabin、Embarked最后5条数据
df[['Age','Cabin','Embarked']].tail(5)
缺失值处理
前面我们发现了缺失值,为了方便在使用时不会对我们造成影响,我们需要做一些处理。根据不同情况做不同处理,如置零,删除等操作
df[df['Age']==None]=0
df.tail(5)
Age的缺失值并没有置0,我们再来试试另一种方法
df[df['Age']==np.nan]=0
df.tail(5)
这种也达不到置0的效果
df[df['Age'].isnull()]=0
df.tail(5)
这种可以将缺失值置0
df[df['Age'].isna()]=0
df.tail(5)
这种也是可以将缺失值置0
df.dropna().tail(5)
df.fillna(0).tail(5)
重复值处理
# 去除整行重复值
# df = df.drop_duplicates()
# 去除指定列重复值
df = df.drop_duplicates(subset=['Embarked'])
df.head()
特征观察与处理
观察一下数据的特征,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。
分箱(离散化)处理
我们来将连续变量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])
df.head()
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])
df.head(3)
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])
df.head()
文本值处理
#查看类别文本变量名及种类
df['Sex'].value_counts()
male 577
female 314
Name: Sex, dtype: int64
#将类别文本转换为数值类型
# 方法1: replace
# df['Sex_num'] = df['Sex'].replace(['male','female'],[1,2])
df.head()
# 方法2: map
df['Sex_num'] = df['Sex'].map({'male': 1, 'female': 2})
df.head()
#将类别转换为one-hot编码
for feat in ["Age", "Embarked"]:
x = pd.get_dummies(df[feat], prefix=feat)
df = pd.concat([df, x], axis=1)
df.head()