动手学数据分析2-数据清洗及特征处理

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()