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