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 缺失值观察
还是以泰坦尼克号的数据为例。查看各个特征缺失值个数
# 首先导入库和数据
import numpy as np
import pandas as pd
df = pd.read_csv('train.csv')
方法1:
df.info()
不过这样显示的是非缺失值的数据,不够直观。
方法2:
df.isnull().sum()
2.1.2 对缺失值进行处理
1)填充
方法1:不使用函数(假设对Age这列进行0
填充)
df[df['Age']==None] = 0
df[df['Age'].isnull()] = 0
df[df['Age'] == np.nan] = 0
当然了,上面我使用的是用0填充,你可以用别的你想用的值进行填充。
方法2:使用fillna()
DataFrame.``fillna
(value=None, method=None**,** axis=None**,** inplace=False**,** limit=None**,** downcast=None**)**
这是文档当中的定义。
df['Age'].fillna(0)
2.2 重复值观察与处理
1)查看重复值:使用的是duplicated()
df[df.duplicated()]
2)删掉重复值:使用的是drop_duplicates()
df.drop_duplicates()
2.3 特征观察与处理
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。
1)分箱:一种无监督离散化方法,分为两类,1 等距离分箱 2 等频度分箱。等距离分箱即等宽度分箱,设有K个空间,则每个空间的间距 I=(Max-Min)/K。等频率分箱,即等深度分箱
pandas.``cut
(x, bins**,** right=True**,** labels=None**,** retbins=False**,** precision=3**,** include_lowest=False**,** duplicates='raise’, ordered=True**)**
pandas.``qcut
(x, q**,** labels=None**,** retbins=False**,** precision=3**,** duplicates='raise’)
分箱一般会使用上面这两个函数。
【例子】1: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
pd.cut(df['Age'], 5, labels=[1, 2, 3, 4, 5])
【例子】2: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
pd.cut(df['Age'], [0, 5, 15, 30, 50, 80], right=False, labels=[1, 2, 3, 4, 5])
【例子】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
pd.qcut(df['Age'], [0.1, 0.3, 0.5, 0.7, 0.9, 1.], labels=[1, 2, 3, 4, 5])
2)对文本变量进行转换
方法1
df['Sex_num'] = df['Sex'].replace(['male','female'],[1,2])
# 适用于种类较少的
方法2
df['Sex_num'] = df['Sex'].map({'male':1, 'female':2})
# 跟方法1一样,适用于种类较少的。
方法3
from sklearn.preprocessing import LabelEncoder
for feat in ['Cabin', 'Ticket']:
lbl = LabelEncoder()
label_dict = dict(zip(df[feat].unique(), range(df[feat].nunique())))
df[feat + "_labelEncode"] = df[feat].map(label_dict)
df[feat + "_labelEncode"] = lbl.fit_transform(df[feat].astype(str))
# 这种就无所谓种类的的多少了,均适用