数据分析03：数据重构

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")