查看各特征值的缺失值情况:
data.isnull().sum()
查看特定列的数值:
df[['Age','Cabin','Embarked']].head(3)
# 取出列号为5/10/11
df.iloc[:,[5,10,11]]
df['w'] #选择表格中的'w'列,使用类字典属性,返回的是Series类型
df.w #选择表格中的'w'列,使用点属性,返回的是Series类型
df[['w']] #选择表格中的'w'列,返回的是DataFrame属性
data[0:2] #返回第1行到第2行的所有行,前闭后开,包括前不包括后
data[1:2] #返回第2行,从0计,返回的是单行,通过有前后值的索引形式,
#如果采用data[1]则报错
data.iloc[-1] #选取DataFrame最后一行,返回的是Series
data.iloc[-1:] #选取DataFrame最后一行,返回的是DataFrame
原文链接:https://blog.csdn.net/m0_37876745/article/details/88828928
处理缺失值
dropna()函数:
删除缺失值DataFrame.
dropna
( axis = 0 , how = 'any' , thresh = None , subset = None , inplace = False )
参数:
axis:
{0 或 'index', 1 或 'columns'},默认为 0;确定是否删除包含缺失值的行或列。
-
0 或 'index' :删除包含缺失值的行。
-
1 或 'columns' :删除包含缺失值的列。
在 1.0.0 版更改:传递元组或列表以放置在多个轴上。只允许一个轴。
how:
{“任何”,“所有”},默认的“任意”
当我们至少有一个 NA 或所有 NA 时,确定是否从 DataFrame 中删除了行或列。
-
'any' :如果存在任何 NA 值,则删除该行或列。
-
'all' :如果所有值都是 NA,则删除该行或列。
thresh:
int,可选,需要许多非 NA 值。
类似子集数组,可选沿其他轴的标签要考虑,例如,如果您要删除行,这些将是要包含的列列表。
subset:
布尔值,默认为 False.如果为 True,就地执行操作并返回 None。
inplace:
数据帧或无,带有 NA 条目的 DataFrame 从中删除或 None 如果inplace=True
。
fillna()函数:
使用指定的方法填充 NA/NaN 值
DataFrame.
fillna
( value = None , method = None , axis = None , inplace = False , limit = None , downcast = None )
value | 标量、字典、系列或数据帧 用于填充空洞的值(例如 0),或者指定用于每个索引(对于系列)或列(对于数据帧)的值的 dict/Series/DataFrame 值。不在 dict/Series/DataFrame 中的值将不会被填充。此值不能是列表。 |
method | {'backfill', 'bfill', 'pad', 'ffill', None},默认 None 用于填充重新索引系列焊盘/填充中的孔的方法:将最后一个有效观察向前传播到下一个有效回填/bfill:使用下一个有效观察来填充间隙。 |
axis | {0 或“索引”,1 或“列”} 填充缺失值的轴。 |
inplace | 布尔值,默认为 False 如果为 True,则就地填充。注意:这将修改此对象上的任何其他视图(例如,DataFrame 中列的非复制切片)。 |
limit | 整数,默认无 如果指定了方法,则这是要向前/向后填充的连续 NaN 值的最大数量。换句话说,如果有超过这个连续 NaN 数量的缺口,它只会被部分填充。如果未指定方法,则这是沿整个轴将填充 NaN 的最大条目数。如果不是 None,则必须大于 0。 |
downcast | dict,默认为无 如果可能的话要向下转换的 item->dtype 的字典,或者字符串 'infer' 将尝试向下转换为适当的相等类型(例如,如果可能的话,float64 到 int64)。 |
df[df['Age']==None]=0
df[df['Age'].isnull()] = 0
df[df['Age'] == np.nan] = 0
df.fillna(0)
df.dropna()
总结出删除行列有两种方式:
- labels = [],axis=0的组合
- index或columns直接指定要删除的行或列
# 删除第2行和第3行
df3 = df.drop(labels=[0,1],axis=0)
# 删除列名为1990的列
df4 = df.drop(axis=1,columns=1990)
处理重复值
df.duplicated() #对每一行做判断,有没有重复
any(df.duplicated()) #只要里面有一个重复的,就会返回True
df[df.duplicated()] #把重复的行展示出来
df = df.drop_duplicates()
分箱处理
定义:Bin values into discrete intervals,是指将值划分到离散区间。好比不同大小的苹果归类到几个事先布置的箱子中;不同年龄的人划分到几个年龄段中。
cut()函数:
pandas.
cut
( x , bins , right = True , labels = None , retbins = False , precision = 3 , include_lowest = False , duplicates = 'raise' , ordered = True )
x | 被切分的类数组数据,注意必须是1维 |
bins | 简单理解为分箱规则,就是桶。int、标量序列或 IntervalIndex |
right | 表示是否包含区间的右边界,默认包含 |
labels | 分割后的bins打标签 |
retbins | 表示是否将分割后的bins返回,默认不返回。如为True |
#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])
qcut函数():
基于分位数的离散化函数。根据等级或基于样本分位数将变量离散化为大小相等的桶
pandas.
qcut
( x , q ,labels= None , retbins = False , precision = 3 , duplicates = 'raise' )
x | 被切分的类数组数据,注意必须是1维 |
q | 分位数。10 表示十分位数,4 表示四分位数,等等。交替排列的分位数,例如 [0, .25, .5, .75, 1.] 表示四分位数。 |
labels | 用作结果箱的标签。必须与生成的 bin 长度相同。如果为 False,则仅返回 bin 的整数指示符。如果为 True,则引发错误。 |
retbins | 表示是否将分割后的bins返回,默认不返回。如为True |
precision | 存储和显示 bin 标签的精度 |
duplicates | {default 'raise', 'drop'},可选 如果 bin 边缘不唯一,则引发 ValueError 或删除非唯一值 |
查看类别文本变量名及种类
value_counts
unique
df['Embarked'].value_counts()
df['Sex'].unique()
文本替换
replace
map
使用sklearn.preprocessing的LabelEncoder:
LabelEncode:将离散型的数据转换成 0 到 n − 1之间的数,这里 n 是一个列表的不同取值的个数,可以认为是某个特征的所有不同取值的个数
fit(y) :fit可看做一本空字典,y可看作要塞到字典中的词。
fit_transform(y):相当于先进行fit再进行transform,即把y塞到字典中去以后再进行transform得到索引值。
inverse_transform(y):根据索引值y获得原始数据。
transform(y) :将y转变成索引值。
df['Sex_num'] = df['Sex'].replace(['male','female'],[1,2])
df['Sex_num'] = df['Sex'].map({'male': 1, 'female': 2})
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))
类别文本转换为one-hot编码
- OneHotEncoder
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)
sklearn.preprocessing.OneHotEncoder
(*,category ='auto',drop=None,sparse=True,dtype=<class 'numpy.float64'>,handle_unknown='error' )
将每一个分类特征变量的m个可能的取值转变成m个二值特征,对于每一条数据这m个值中仅有一个特征值为1,其他的都为0。