2020-08-21

我们拿到的数据通常是不干净的，所谓的不干净，就是数据中有缺失值，有一些异常点等，需要经过一定的处理才能继续做后面的分析或建模，所以拿到数据的第一步是进行数据清洗，本章我们将学习缺失值、重复值、字符串和数据转换等操作，将数据清洗成可以分析或建模的亚子。

缺失值观察

(1) 请查看每个特征缺失值个数

df.info()

或

df.isnull().sum()

或

df.describe()  #注意数值型变量和非数值型变量区分开来
df[['Ticket','Cabin','Embarked']].describe()

(2) 请查看Age， Cabin， Embarked列的数据
选取部分行部分列需要再复习

df1=df[['Age','Cabin','Embarked']]
df1

对缺失值进行处理

(1) 处理缺失值一般有几种思路
删除，填补

(2) 请尝试对Age列的数据的缺失值进行处理

df['Age'].dropna()  # 返回一个仅含非空数据和索引值的series

也可以通过布尔型索引达到同一目的

df['Age'][df['Age'].notnull()]

fillna填充

df['Age'].fillna(df['Age'].mean())

(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
同前，把df[‘Age’]换成df
思考
【思考1】dropna和fillna有哪些参数，分别如何使用呢?
【思考2】检索空缺值用np.nan要比用None好，这是为什么？

重复值观察

df[df.duplicated()]   #？

重复值处理方法

重复值处理

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。

任务一：对年龄进行分箱（离散化）处理

(1) 分箱操作是什么？
变量分类，变成等级变量
(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

df['AgeBand'] = pd.cut(df['Age'], 5,labels = ['1','2','3','4','5'])

(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

df['AgeBand'] = pd.cut(df['Age'], 5,labels = ['1','2','3','4','5'])

(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

df['AgeBand'] = pd.qcut(df['Age'],[0,0.1,0.3,0.5,0.7,0.9],labels = ['1','2','3','4','5'])

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

df['Sex'].value_counts()

df['Sex'].unique()

df['Sex'].nunique()

(2) 将文本变量Sex， Cabin ，Embarked用数值变量12345表示
#将类别文本转换为12345

#方法一: replace
df['Sex_num'] = df['Sex'].replace(['male','female'],[1,2])

#方法二: map
df['Sex_num'] = df['Sex'].map({'male': 1, 'female': 2})

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

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)

df['Title'] = df.Name.str.extract('([A-Za-z]+)\.', expand=False)
df

参考资料

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.dropna.html
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.fillna.html
datawhale