- 掌握数据清洗的方法
- 了解特征观察及处理
准备工作:导入numpy和pandas,加载数据集
import numpy as np
import pandas as pd
df_2=pd.read_csv('train.csv')
df_2.head()
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亚子。
1 缺失值观察与处理
任务一:缺失值观察:查看每个特征缺失值个数,查看Age, Cabin, Embarked列的数据
查看每个特征缺失值的方法:df_2.info(), df_2.i
snull().sum(), df_2.isnull().any(), df_2.isnull().count();
查看Age, Cabin, Embarked列的数据:df_2[['Age','Cab
in','Embared']], df_2['Age'],df_2['Cabin'], df_2['Embarked']
df_2.info()
df_2.isnull().sum()
df_2.isnull().any()
df_2.Age
df_2.['Age']
df_2[['Age','Cabin','Embarked']]
任务二:对缺失值进行处理
(1)处理缺失值一般有几种思路: 缺失值填充,删除
(2) 请尝试对Age列的数据的缺失值进行处理:零填充,删除
df_2[df_2['Age']==None]=0,df_2[df_2['Age']==np.nan]=0,df_2[df_2.Age.isnull()]=0,
df_2[df_2['Age']==None]=0
df_2[df_2.Age==np.nan]=0
df_2[df_2['Age'].isnull()]=0
df_2.head()
df_2.isnull().any()
#只要有空的整行被删除
df_2.dropna()
#只有整行为空时被删除
df_2.dropna(how='all')
(3) 请尝试直接对整张表的缺失值进行处理:
df.fillna(0).head(3)
2 重复值观察与处理
任务一:请查看数据中的重复值¶
重复值有哪些处理方式:duplicated()和drop_duplicates()方法。其中,前者用于标记是否有重复值,后者用于删除重复值,它们的判断标准是一样的,即只要两条数据中所有条目的值完全相等,就判断为重复值。
df_2[df_2.duplicated()]
任务二:对重复值进行处理
#查看重复值
df_2[df_2.duplicated()]
df_2.head()
#删除重复值
df=df_2.drop_duplicates()
df.head()
df.to_csv('test_clear.csv')
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。
任务一:对年龄进行分箱(离散化)处理
分箱操作:数据分箱技术在Pandas官方给出的定义,Bin values into discrete intervals,是指将值划分到离散区间。
Python实现连续数据的离散化处理主要基于两个函数,pd.cut和pd.qcut,
前者根据指定分界点对连续数据进行分箱处理,后者则可以根据指定箱子的数量对连续数据进行等宽分箱处理,所谓等宽指的是每个箱子中的数据量是相同的。
(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:
df_3['AgeBand']=pd.cut(df_3['Age'],5,labels=[1,2,3,4,5])
df_3.head()
(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.区间以0开头
#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_3['AgeBand'] = pd.cut(df_3['Age'],[0,5,15,30,50,80],labels = [1,2,3,4,5])
df_3.head(3)
(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.区间以0开头
df_3['AgeBand']=pd.cut(df_3['Age'],[0,0.1,0.3,0.5,0.7,0.9],labels=[1,2,3,4,5])
df_3.head()
任务二:对文本变量进行转换¶:查看文本变量名称,以及对变量进行统计后,进行转换
查看文本变量名及统计变量有两种方式:value_counts(),unique()和nunique()
df_3['Sex'].value_counts()
df_3['Sex'].nunique()
(2) 将文本变量Sex, Cabin ,Embarked用数值变量12345表示:.replce([],[]), .map({})
#.replace([],[])
df_3['sexBand']=df_3['Sex'].replace(['male','female'],[1,2])
df_3.head()
#.map({})
df_3['sexBand']=df_3['Sex'].map({'male':1,'female':2})
df_3.head()
(3)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_3['NameBand'] = df_3.Name.str.extract('([A-Za-z]+)\.', expand=False)
df_3.head()