2 第二章:数据清洗及特征处理
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样子。
开始之前,导入numpy、pandas包和数据
import numpy as np
import pandas as pd
#加载数据train.csv
df = pd.read_csv("train.csv")
df.head()
2.2 重复值观察与处理
2.2.1 任务一:请查看数据中的重复值
df[df.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?
#对整个行有重复值的清理的方法
"""
使用drop_duplicates方法(DataFrame.drop_duplicates(subset=None, keep='first', inplace=False))
subset参数:根据哪个字段进行重复筛选(多个字段就写成列表形式)
inplace参数:是否在原数据集更改
keep参数:是从头开始筛选还是从末尾数据开始筛选({‘first’, ‘last’, False}, default ‘first’)
参考https://blog.csdn.net/glittledream/article/details/88380066
"""
df=df.drop_duplicates()
df.head()
删除重复值的函数完整形式
#students.drop_duplicates(subset="Name",inplace=True,keep="first")
df = df.drop_duplicates(subset="Name",inplace=False,keep="first")
df.head()
2.2.3 任务三:将前面清洗的数据保存为csv格式
df.to_csv("test_clear.csv")
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
#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])
df.head()
df.to_csv('test_ave.csv')
#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'],[5,15,30,50,80],[1,2,3,4,5])
df.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
(2) 将文本变量Sex, Cabin ,Embarked用数值变量12345表示
(3) 将文本变量Sex, Cabin, Embarked用one-hot编码表示
#查看文本变量名及种类
df['Sex'].value_counts()
male 577
female 314
Name: Sex, dtype: int64
df['Cabin'].value_counts()
G6 4
B96 B98 4
C23 C25 C27 4
F2 3
E101 3
…
C85 1
B42 1
C46 1
B4 1
C82 1
Name: Cabin, Length: 147, dtype: int64
df['Embarked'].value_counts()
S 644
C 168
Q 77
Name: Embarked, dtype: int64
#方法二:unique
df['Sex'].unique()
array([‘male’, ‘female’], dtype=object)
df['Sex'].nunique()
2
#将类别文本转换为12345
#方法一:replace()
df['Sex_Num']=df['Sex'].replace(['male','female'],[1,2])
df.head()
#方法二:map()
df['Sex_Num']=df['Sex'].map({'male':1,'female':2})
df.head()
#方法三: 使用sklearn.preprocessing的LabelEncoder
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 + "_LabelEncoder"] = df[feat].map(label_dict)
df[feat + "_LabelEncoder"] = lbl.fit_transform(df[feat].astype(str))
df.head()
这段代码的作用其实没看懂,特别是编码后的Cabin_LabelEncoder和Ticket_LabelEncoder两列的数字没看懂意思。
#将类别文本转换为one-hot编码
#方法一: OneHotEncoder
for feat in ["Age","Embarked"]:
x = pd.get_dummies(df[feat], prefix=feat)
df = pd.concat([df,x],axis=1)
df.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)
df['Title'] = df.Name.str.extract('([A-Za-z]+)',expand=False)
df.head()
#保存最终你完成的已经清理好的数据
df.to_csv("test_fin.csv")