【回顾&引言】前面一章的内容大家可以感觉到我们主要是对基础知识做一个梳理,让大家了解数据分析的一些操作,主要做了数据的各个角度的观察。那么在这里,我们主要是做数据分析的流程性学习,主要是包括了数据清洗以及数据的特征处理,数据重构以及数据可视化。这些内容是为数据分析最后的建模和模型评价做一个铺垫。
开始之前,导入numpy、pandas包和数据
#加载所需的库
import numpy as np
import pandas as pd
#加载数据train.csv
train_test = pd.read_csv('train.csv')
train_test.head(5)
PassengerId | Survived | Pclass | Name | Sex | Age | SibSp | Parch | Ticket | Fare | Cabin | Embarked | |
---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | 1 | 0 | 3 | Braund, Mr. Owen Harris | male | 22.0 | 1 | 0 | A/5 21171 | 7.2500 | NaN | S |
1 | 2 | 1 | 1 | Cumings, Mrs. John Bradley (Florence Briggs Th... | female | 38.0 | 1 | 0 | PC 17599 | 71.2833 | C85 | C |
2 | 3 | 1 | 3 | Heikkinen, Miss. Laina | female | 26.0 | 0 | 0 | STON/O2. 3101282 | 7.9250 | NaN | S |
3 | 4 | 1 | 1 | Futrelle, Mrs. Jacques Heath (Lily May Peel) | female | 35.0 | 1 | 0 | 113803 | 53.1000 | C123 | S |
4 | 5 | 0 | 3 | Allen, Mr. William Henry | male | 35.0 | 0 | 0 | 373450 | 8.0500 | NaN | S |
2 第二章: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。
2.1 缺失值观察与处理
我们拿到的数据经常会有很多缺失值,比如我们可以看到Cabin列存在NaN,那其他列还有没有缺失值,这些缺失值要怎么处理呢
2.1.1 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
#写入代码
train_test.isnull().sum() #查看每个特征值缺失的个数
((train_test.isnull().sum())/train_test.shape[0]).sort_values(ascending=False).map(lambda x:"{:.2%}".format(x))#查看每个特征缺失值的占比率
Cabin 77.10%
Age 19.87%
Embarked 0.22%
PassengerId 0.00%
Survived 0.00%
Pclass 0.00%
Name 0.00%
Sex 0.00%
SibSp 0.00%
Parch 0.00%
Ticket 0.00%
Fare 0.00%
dtype: object
#写入代码
print(train_test['Age'].head(5)) #查看Age列上的数据
print(train_test['Cabin'].head(5))#查看Cabin列上的数据
print(train_test['Embarked'].head(5))#查看embarked列上的数据
0 22.0
1 38.0
2 26.0
3 35.0
4 35.0
Name: Age, dtype: float64
0 NaN
1 C85
2 NaN
3 C123
4 NaN
Name: Cabin, dtype: object
0 S
1 C
2 S
3 S
4 S
Name: Embarked, dtype: object
#写入代码
print(train_test.loc[:,'Age'].head()) #使用loc
print(train_test.loc[:,['Age','Cabin','Embarked']].head()) #同时读取age,cabin,embarked的数据
print(train_test.iloc[:,[5,10,11]].head()) #使用iloc()的索引进行读取
0 22.0
1 38.0
2 26.0
3 35.0
4 35.0
Name: Age, dtype: float64
Age Cabin Embarked
0 22.0 NaN S
1 38.0 C85 C
2 26.0 NaN S
3 35.0 C123 S
4 35.0 NaN S
Age Cabin Embarked
0 22.0 NaN S
1 38.0 C85 C
2 26.0 NaN S
3 35.0 C123 S
4 35.0 NaN S
2.1.2 任务二:对缺失值进行处理
(1)处理缺失值一般有几种思路
解:处理缺失值有两种思路,第一种适用于将含有缺失值较多的行或者列,进行删除即可,第二种适用于含有缺失值较少的行或者列,按照数据的规律或者一定的逻辑将其填补上即可。
dropna() ,删除含有缺失值的行或列
fillna() ,填补缺失值
isnull() , 判断值是否为缺失值
notnull() , 判断值是否不是缺失值
(2) 请尝试对Age列的数据的缺失值进行处理
train_test[train_test['Age']==None] = 0
train_test.head(5)
PassengerId | Survived | Pclass | Name | Sex | Age | SibSp | Parch | Ticket | Fare | Cabin | Embarked | |
---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | 1 | 0 | 3 | Braund, Mr. Owen Harris | male | 22.0 | 1 | 0 | A/5 21171 | 7.2500 | NaN | S |
1 | 2 | 1 | 1 | Cumings, Mrs. John Bradley (Florence Briggs Th... | female | 38.0 | 1 | 0 | PC 17599 | 71.2833 | C85 | C |
2 | 3 | 1 | 3 | Heikkinen, Miss. Laina | female | 26.0 | 0 | 0 | STON/O2. 3101282 | 7.9250 | NaN | S |
3 | 4 | 1 | 1 | Futrelle, Mrs. Jacques Heath (Lily May Peel) | female | 35.0 | 1 | 0 | 113803 | 53.1000 | C123 | S |
4 | 5 | 0 | 3 | Allen, Mr. William Henry | male | 35.0 | 0 |