数据清洗和特征处理
观察缺失值
方法一:
df.info()
方法二:
df.isnull().sum()
对缺失的值进行处理
方法一:
df[df['Age']==None]=0
方法二:
df[df['Age'].isnull()] = 0
方法三:
df[df['Age'] == np.nan] = 0
对比三种缺失值处理方法,一般用第三种方法好。因为读取列数据之后空缺值的数据类型为float64,所以第一种方法None一般索引不到,最好用np.nan
两个处理缺失值的函数dropna() 和fillna()
dropna()对于Serial对象丢弃带有NAN的所有项;对于DataFrame对象可以丢弃带有NAN的行
data.dropna()
丢弃所有元素都是NAN的行
data.dropna(how='all')
丢弃所有元素都是NAN的列
data.dropna(axis=1,how='all')
fillna()用常数0替换NAN值
data.fillna(0)
观察重复值
df[df.duplicated()]
清除重复值
df = df.drop_duplicates()
对连续型数值特征进行分箱(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])
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'],[0,5,15,30,50,80],labels = [1,2,3,4,5])
#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
df['AgeBand'] = pd.qcut(df['Age'],[0,0.1,0.3,0.5,0.7,0.9],labels = [1,2,3,4,5])
对文本变量进行转换
1、查看文本变量名以及种类
方法一:
df['Sex'].value_counts()
方法二:
名称
df['Sex'].unique()
种类数
df['Sex'].nunique()
2、将文本变量用数值12345表示、
方法一:replace
df['Sex_num'] = df['Sex'].replace(['male','female'],[1,2])
方法二:map
df['Sex_num'] = df['Sex'].map({'male': 1, 'female': 2})
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 + "_labelEncode"] = df[feat].map(label_dict)
df[feat + "_labelEncode"] = lbl.fit_transform(df[feat].astype(str))
3、将文本变量用one-hot编码表示
for feat in ["Age", "Embarked"]:
# x = pd.get_dummies(df["Age"] // 6)
# x = pd.get_dummies(pd.cut(df['Age'],5))
x = pd.get_dummies(df[feat], prefix=feat)
df = pd.concat([df, x], axis=1)
#df[feat] = pd.get_dummies(df[feat], prefix=feat)
从纯文本特征中提取出Titles的特征,包含Mr、Miss、Mrs等
df['Title'] = df.Name.str.extract('([A-Za-z]+)\.', expand=False)