2021-06-16动手学数据分析task2

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)