第二章 数据清洗及特征处理
任务一、缺失值观察
(1) 请查看每个特征缺失值个数
(2) 请查看Age, Cabin, Embarked列的数据
- 导入数据
import numpy as np
import pandas as pd
df_train = pd.read_csv('train.csv')
df_train = pd.read_csv(r'C:\Users\Administrator\jupytercode\datawhale\data\train.csv')
df_train.head()
df_train.info()
- 查看缺失值:df.isnull()返回布尔值,True和False;df.isnull().sum()统计缺失数量
df_train.info()
df_train.isnull().sum()
df_train.isnull().head()
df_train.notnull().sum()
- 查看Age, Cabin, Embarked列
- 查看单列:df[' '] 查看多列: df[ [ ' ', ' ', ' ' ] ]
df_train['Age'].head()
df_train[['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
(2) 请尝试对Age列的数据的缺失值进行处理
(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
- 后续思考利用numpy:np.isnan()函数;并区分np.isnan()和pd.isnull()、np.nan
- Age列缺失值处理:(参考答案)
df_train[df_train['Age']==None]=0
df_train[df_train['Age'].isnull()] = 0
df_train[df_train['Age'] == np.nan] = 0
思考:空缺值np.nan, np.isnan, None, pd.isnull, pd.isna
- df.fillna缺失值填充
1.value:scalar,series,dict,dataframe可以填充数值、可以填充字典;
df.fillna(value=1) ##缺失值填充为1
df_train.fillna(value={'Age':2,'SibSp':9}) #传入一个字典,指定某列填充的具体值
2.method:{backfill,bfill,pad,ffill,none},default none
填充的方法,backfill和bfill代表填充后侧值,ffill和pad填充空值前侧值
df_train.fillna(method='ffill')
3.limit int 或None
向前或后填充的最大数量,必须是大于0的整数
如果指定了method参数,则连续空值值填充前int个
如果未指定method参数,则只填充所在轴上的前int空值
df.fillna(value=0,axis=1,limit=1) #每列只填充第一个空值
- df.dropna()过滤数据中缺失值
df_train.dropna()
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
- 查看重复值
df_train[df_train.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?
(2)处理我们数据的重复值
- 清除重复值
df_train2 = df_train.drop_duplicates()
2.2.3 任务三:将前面清洗的数据保存为csv格式
df_train.to_csv('test_clear.csv')
2.3 特征观察与处理
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
(1) 分箱操作是什么?
(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
(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
(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
(5) 将上面的获得的数据分别进行保存,保存为csv格式
- 分箱操作:进行区间划分,统计各个区间的数量
- 分箱使用pd.cut() 、pd.qcut()
- pd.cut(x,bins,right=True,labels=None,retbins=False,precision=3,include_lowest=False,duplicates='raise')
- pd.qcut(x, q, labels=None, retbins=False, precision=3, duplicates='raise') q : 表示分位数的整数或者数组
-
df_train['AgeBand'] = pd.cut(df_train['Age'], 5,labels = [1,2,3,4,5]) df_train df_train.to_csv('traintest_ave.csv')
df_train['AgeBand'] = pd.qcut(df_train['Age'],[0,0.1,0.3,0.5,0.7,0.9],labels = [1,2,3,4,5])
##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_trian.to_csv('train_cut.csv') #存储数据
df_train['AgeBand'] = pd.cut(df_train['Age'],[0,5,15,30,50,80],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
(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
df_train['Sex'].value_counts()
df_train['Cabin'].value_counts()
df_train['Sex'].unique()
df_train['Sex_num'] = df_train['Sex'].replace(['male','female'],[1,2])
2.3.3 任务三(附加):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)
str.extract
思考:和str.split 适用的不同场景
参考资料:《python for data analysis》 、《Joyful-Pandas》
备注:本人为新手学习,基础和理论知识薄弱,笔记主要为自己记录自己的学习过程,方便后期自己多次复现和思考,期间存在许多问题,请大家指正。