这篇是展示平时工作中如何做数据清理和预处理。
一般数据清理和预处理的流程是:
- 数据加载与粗略查看
- 处理丢失的数据
- 处理离群点
- 数据统计
- 特征值的合并、连接
- 数据转换、标准化、归一化
- 去除常变量
下面会拿热门的铁达尼号等数据做示范:
1.数据加载鱼粗略查看
在pandas读进来数据一个train后,train的格式为DataFrame,调用下面的几个方法就可以大致了解我们得到的数据是什么,有什么特征值,特征值的数据类型是什么,如果是数值那么最大最小值是什么等。
train.head(5) #显示前5行数据
train.tail(5) #显示后5行
train.columns #查看列名
train.info() #查看各字段的信息
train.shape #查看数据集行列分布,几行几列
train.describe() #查看数据的大体情况
2.处理丢失数据(缺失值)
2.1 找到丢失的位置
输出每个列丢失值也即值为NaN的数据和,并从多到少排序。
total = train.isnull().sum().sort_values(ascending=False)
print(total)
Cabin 687
Age 177
Embarked 2
Fare 0
Ticket 0
Parch 0
SibSp 0
Sex 0
Name 0
Pclass 0
Survived 0
PassengerId 0
也可以输出百分比:
percent =(train.isnull().sum()/train.isnull().count()).sort_values(ascending=False)
missing_data = pd.concat([total, percent], axis=1, keys=['Total', 'Percent'])
missing_data.head(20)
由此可以看到‘Cabin’的缺失数量最多,‘Embarked’最少。
2.2 缺失值处理
对缺失数据的处理我们有很多方法:
- 使用可用特征的均值/中位值/众数来填补缺失值(这是从列角度去处理缺失值);
- 使用特殊值来填补缺失值,如-1;
- 忽略有缺失值的样本(缺失的数目很多);
- 使用相似样本的均值添补缺失值(这时从行角度去处理缺失值);
- 使用另外的机器学习算法预测缺失值。
2.2.1 填补:
#使用出现次数最多的值填补
train['Embarked'] = train['Embarked'].fillna('S')
train.product_type[train.product_type.isnull()]=train.