本文介绍了机器学习中的数据预处理步骤，包括检测和处理缺失数据（通过isnull()和info()函数）、异常数据（散点图、箱线图和3σ法则）、以及重复数据（记录和特征重复的检测与删除）。使用了numpy、pandas库进行操作。
上篇：机器学习（二） -- 数据预处理（1）
下篇：机器学习（二） -- 数据预处理（3）
前言
tips：标题前有“***”的内容为补充内容，是给好奇心重的宝宝看的，可自行跳过。文章内容被“文章内容”删除线标记的，也可以自行跳过。“！！！”一般需要特别注意或者容易出错的地方。
本系列文章是作者边学习边总结的，内容有不对的地方还请多多指正，同时本系列文章会不断完善，每篇文章不定时会有修改。
本章开始会用到numpy，pandas以及matplotlib，这些就不在这讲了哈。
四、【数据清洗】
数据异常大致分为三种情况，缺失数据、异常数据（噪声数据）、重复数据。
通过填写缺失的值、光滑噪声数据、识别或删除离群点并解决不一致性来“清理”数据。主要是达到如下目标：格式标准化，异常数据清除，错误纠正，重复数据的清除。
1、缺失数据的检测与处理
1.1、检测与统计
1.1.1、利用isnull()函数
（只是想查看每列的缺失值情况，info()更方便）
测试数据：
# 检测
print('data中元素是否为空：\n', data.isnull())
# print('data中元素是否为非空：\n', data.notnull())
# 统计
print('data中每个特征对应的非空值数为：\n', data.count())
# print('data中每个特征对应的非空值数为：\n', data.notnull().sum())
print('data中每个特征对应的缺失率为：\n', 1-data.count()/len(data))
# print('data中总非空值数为：\n', data.count().sum())
# # print('data中为空值的总个数：\n',data.isnull().sum().sum())
# print('data中总缺失率为：\n', 1-data.count().sum()/(len(data)*len(data.columns)))结果：isnill()和notnull()对每个值进行判断，并给出结果（备注掉的有些结果是一样的，就是写法不同，可以参考一下，发散一下思维。）
1.1.2、利用info()函数
# 缺失值的统计
# 利用info()方法查看DataFrame的缺失值
print(data.info())info()就比较直接了，
第一行，告诉我们“data”是一个DataFrame对象
第二行，告诉我们样本范围有4个，从0到3
第三行以及表格，告诉我们有4列（每列一个特征），每个特征的非缺失值情况，如feature2有3个非缺失值
（其他的···请字面理解，也不重要）
1.2、处理
1.2.1、删除缺失值（慎用）
# 删除缺失值
data1=data.dropna()
print(data1)
dropna()函数：删除具有缺失值的行。
how：确定缺失值个数，默认how='any’表明，只要某行有缺失值就将该行丢弃；
how='all’表明某行全部为缺失值才将其丢弃。
.dropna(axis = 0,how = 'any', thresh = None, subset = None, inplace = False)
1.2.2、填充缺失值
一般用该列平均值填充（当然还有其他很多方法，用0、最大值、中位数、拉格朗日插值等等填充）
# 填充缺失值
data2=data.fillna(1)
# data2=data.replace(np.nan,1)
print(data2)
data2=data.fillna(data.mean())
print(data2)
fillna()：缺失值替换。
value：用于填充缺失值的标量值或字典对象
method：插值方式，ffill向前填充（向下，front fill），bfill向后填充（向上，back fill）
.fillna(value=None,method=None,axsi=None,inplace=False,limit=None)
# 填充缺失值
# 向后填充
data3=data.fillna(method='bfill')
print(data3)
data3.iloc[2,2]=None
print(data3)
# 向前填充
data4=data3.fillna(method='ffill')
print(data4)
2、异常数据的检测与处理
2.1、检测
2.1.1、散点图方法
# 测试数据制作
data=pd.DataFrame(np.arange(12),columns=['x'])
data['y']=data['x']*1.2+1.2
data.iloc[1,1]=134
data.iloc[6,1]=143
print(data)
一目了然，有没有。
# 绘图法
plt.scatter(data['x'],data['y'],c='k',marker='.')
# plt.scatter(data.iloc[:,0],data.iloc[:,1],c='k',marker='.')
2.1.2、箱线图分析
原理与概念：
5个四分位点：数值大小从小到大排序，分别在开头（最小），25%位置的数（下四分位），中位数，75%位置的值（上四分位），结尾（最大值）的值，分别为Q0，Q1，Q2，Q3，Q4
四分位距（IQR）：Q3-Q1得到的数
然后将最大、最小值设置为min=Q1-1.5IQR，max=Q3+1.5IQR，不在[min,max]的值被认为是异常值。
# 利用箱型图的四分位距（IQR）对异常值进行检测
Percentile = np.percentile(data['y'], [0, 25, 50, 75, 100]) # 计算百分位数
IQR = Percentile[3] - Percentile[1] # 计算箱型图四分位距
UpLimit = Percentile[3]+IQR*1.5 # 计算临界值上界
DownLimit = Percentile[1]-IQR*1.5 # 计算临界值下界
# 判断异常值，大于上界或小于下界的值即为异常值
abnormal = [i for i in data['y'] if i >UpLimit or i < DownLimit]
print('IQR检测出的y中异常值为：\n', abnormal)
print('IQR检测出的异常值比例为：\n', len(abnormal)/len(data['y']))
2.1.3、3σ法则
这玩意就和数学的正态分布有关了，
简单来讲，超出的【μ±3σ】的值就为异常值。（μ是均值，σ是标准差）
data.iloc[1,1]=2.4
# 利用3sigma原则对异常值进行检测
y_mean = data['y'].mean() # 计算均值
y_std = data['y'].std() # 计算标准差
UpLimit = y_mean+y_std*3 # 计算临界值上界
DownLimit = y_mean-y_std*3 # 计算临界值下界
y_cha = data['y'] - y_mean # 计算元素与平均值之差
# 返回异常值所在位置
ind = [i for i in range(len(y_cha)) if np.abs(y_cha[i])>y_std*3]
abnormal = [data['y'][i] for i in ind] # 返回异常值
print('3sigma原则检测出的y中异常值为：\n', abnormal)
print('3sigma原则检测出的异常值比例为：\n', len(abnormal)/len(data['y']))
之所以我要修改上面，有一个异常值的数据，是因为我这里数据量太少，异常值又大占比也偏高，出现了设置成3σ不判定为异常值的情况。所以，使他只有一个异常值，来检测异常效果。（实际操作中异常值比例应该没有这么大，我这2/12了都，直接两个大异常值，把标准差拉到了50+，笑不活了QwQ）
这也可以用计算临界值的方法，大同小异哈。
2.2、处理
2.2.1、不处理
身为一条咸鱼，是躺床上起床上厕所都觉得累的！咱就啥都不干！！！
2.2.2、删除
这是pandas里面的操作方法哈
# 删除异常值
# print(data)
data1=data[~(np.abs(y_cha)>y_std*3)]# 删的是有异常值的一行哈
print(data1)
2.2.3、修改
一般修改为阈值或中值。（当然，也可以是其他的视情况而定，比如可以按照缺失值处理，插入各种值。这里复制一个data2是防止吧data里面的数据修改了，后面还要用呢，节约是中华民族的传统美德）
# 修改异常值
data2=data.iloc[:,:]
for i in ind:
if data2.iloc[i,1]>UpLimit:
data2.iloc[i,1]=UpLimit
if data2.iloc[i,1]<DownLimit:
data2.iloc[i,1]=DownLimit
print("临界值上界：",UpLimit,"临界值下界：",DownLimit)
print(data2)
2.2.4、转换
当当当当，看异常值得差异是不是小了很多。但这种使用情况极少，慎用。
# 异常值的对数转换
log_y=np.log(data['y'])
print(log_y)
3、重复数据的检测与处理
重复数据有两种情况，一种是记录重复（整行重复），一种是特征重复（某个值重复）
3.1、记录重复
一个或多个特征列的几条记录完全一致，对于记录重复数据。一般采用直接删除方式
3.1.1、检测
# 制作数据
data=pd.DataFrame([[1,'gxy',88,70,'B'],
[2,'zqx',59,90,'B'],
[3,'ysy',91,95,'A'],
[2,'zqx',59,90,'B'],
[4,'xyyz',44,64,'C']],
columns=['num','name','English','Python','level'])
print(data)
# 检测
result=data.duplicated()
print(result)
3.1.2、处理
# 处理
data1=data.drop_duplicates()
print(data1)
3.2、特征重复
一个或多个特征名不同，但是数据完全一样。
3.2.1、检测
# 制作数据
data=pd.DataFrame([[1,'gxy',88,70,1,'B'],
[2,'zqx',59,90,2,'B'],
[3,'ysy',91,95,3,'A'],
[4,'xyyz',44,64,4,'C']],
columns=['num','name','English','Python','idCard','level'])
print(data)
#检测
result=data.corr(method='pearson',min_periods=1)
print(result)corr函数检测相似度，相似度为1，表示两列数据一模一样
3.2.2、处理
# 处理
data1=data[:]
del data1['idCard']
print(data1)
# 2
data1=data.iloc[:,[0,1,2,3,5]]
print(data1)
旧梦可以重温，且看：机器学习（二） -- 数据预处理（1）
欲知后事如何，且看：机器学习（二） -- 数据预处理（3）
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
