动手学数据分析学习报告task2

2 第二章：数据清洗及特征处理

import numpy as np
import pandas as pd
TrainSet=pd.read_csv('train_Chinese.csv')

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

#查看每个特征的缺失值个数
#方法1.使用isnull()
TrainSet.isnull().sum(axis=0)
#方法2.使用count
(TrainSet.shape[0]) - TrainSet.count(axis=0)
#方法3.isna()
TrainSet.isna().sum()

'''
请查看Age， Cabin， Embarked列的数据
使用方法1
'''
print(TrainSet['年龄'].isnull().sum(axis=0))
print(TrainSet['客舱'].isnull().sum(axis=0))
print(TrainSet['登船港口'].isnull().sum(axis=0))
#诸如此类的其他方法不再描述

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

'''
方法1：fillna()（填充）
DataFrame.fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None)
value:scalar, dict, Series, or DataFrame
method:{‘backfill’, ‘bfill’, ‘pad’, ‘ffill’, None}, default None
axis:{0 or ‘index’, 1 or ‘columns’}
inplace:bool, default False
limit:int, default None
downcast:dict, default is None
'''
TrainSet1=TrainSet.copy(deep=True)
TrainSet1['年龄'].fillna(value='0',inplace=True)
TrainSet1

'''
方法2：dropna()（删除）
DataFrame.dropna(axis=0, how='any', thresh=None, subset=None, inplace=False)
axis:{0 or ‘index’, 1 or ‘columns’}, default 0
how:{‘any’, ‘all’}, default ‘any’
thresh:int, optional
subset:column label or sequence of labels, optional
inplace:bool, default False
Returns:DataFrame or None
'''
TrainSet2=TrainSet.copy(deep=True)
TrainSet2.dropna(subset=['年龄'],inplace=True)
TrainSet2

TrainSet['年龄'].median()
TrainSet['年龄'].fillna(value = TrainSet['年龄'].median(), inplace = True)
TrainSet.fillna(value='0',inplace=True)
TrainSet.isnull().sum()

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

TrainSet.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

'''
方法：drop_duplicates(subset=None,keep='first',inplace=False)
用于删除 Series、DataFrame 中重复记录，并返回删除重复后的结果。
'''

2.2.3 任务三：将前面清洗的数据保存为csv格式

TrainSet.to_csv("clean_train_chinese.csv",encoding = 'utf-8')

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

'''
1.分箱是一种常见的数据预处理技术有时也被称为分桶或离散化，他可用于将连续数据的间隔分组到“箱”或“桶”中。
'''
TrainSet['年龄分类'] = pd.cut(x = TrainSet['年龄'], bins = 5,labels = [1,2,3,4,5])
TrainSet.head()
TrainSet['年龄分类'] = pd.cut(TrainSet['年龄'],[0,5,15,30,50,80],labels = [1,2,3,4,5])
TrainSet.head()
TrainSet['年龄分类'] = pd.qcut(TrainSet['年龄'],[0,0.1,0.3,0.5,0.7,0.9],labels = [1,2,3,4,5])
TrainSet.head()

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

#(1)
#方法一: value_counts
for i in ['性别','客舱','登船港口']:
    print(TrainSet[i].value_counts())
#方法二: unique
for i in ['性别','客舱','登船港口']:
    print(i,TrainSet[i].unique())

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

#2
#方法一: replace
TrainSet['性别编号'] = TrainSet['性别'].replace(['male','female'],[1,2])
TrainSet.head()
#方法二: map
TrainSet['性别编号'] = TrainSet['性别'].map({'male': 1, 'female': 2})
TrainSet.head()

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

#方法: OneHotEncoder
#One-hot Encoding是一种向量表示，其中向量中的所有元素都是0，除了一个，它的值是1，其中1表示指定元素类别的布尔值。
for feat in ["性别", "登船港口","客舱"]:
    i = pd.get_dummies(TrainSet[feat], prefix=feat)
    TrainSet = pd.concat([TrainSet, i], axis=1) 
TrainSet.head()

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)

#extract()可用正则从字符数据中抽取匹配的数据，只返回第一个匹配的数据。
TrainSet['头衔'] = TrainSet.乘客姓名.str.extract( pat= '([A-Za-z]+)\.', expand=False)
TrainSet
TrainSet.to_csv("clean_train_chinese_data.csv",encoding = 'utf-8')

完成的时间有些紧张，所以写的不太详细，后续有机会在补充吧。