数据分析 第二章 1.数据清洗及特征处理
先加载库和导入数据
#加载所需的库
import numpy as np
import pandas as pd
#加载数据train.csv
df = pd.read_csv('train.csv')
print(df.head(3))
# PassengerId Survived Pclass ... Fare Cabin Embarked
# 0 1 0 3 ... 7.2500 NaN S
# 1 2 1 1 ... 71.2833 C85 C
# 2 3 1 3 ... 7.9250 NaN S
#
# [3 rows x 12 columns]
可以看到3不包括标题行
拿到的数据一般是不干净的，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。
接下来将学习缺失值、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样子。
2.1 缺失值观察
可以看到在上面的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？
首先观察缺失值
(1) 请查看每个特征缺失值个数
方法一：df.info()
# 缺失值观察
print(df.info())
# <class 'pandas.core.frame.DataFrame'>
# RangeIndex: 891 entries, 0 to 890
# Data columns (total 12 columns):
# PassengerId 891 non-null int64
# Survived 891 non-null int64
# Pclass 891 non-null int64
# Name 891 non-null object
# Sex 891 non-null object
# Age 714 non-null float64
# SibSp 891 non-null int64
# Parch 891 non-null int64
# Ticket 891 non-null object
# Fare 891 non-null float64
# Cabin 204 non-null object
# Embarked 889 non-null object
# dtypes: float64(2), int64(5), object(5)
# memory usage: 83.7+ KB
# None
方法二：df.isnull().sum()
print(df.isnull().sum())
# PassengerId 0
# Survived 0
# Pclass 0
# Name 0
# Sex 0
# Age 177
# SibSp 0
# Parch 0
# Ticket 0
# Fare 0
# Cabin 687
# Embarked 2
# dtype: int64
感觉方法二比较明显
(2) 请查看Age， Cabin， Embarked列的数据以上方式都有多种方式
# 查看`Age`， `Cabin`， `Embarked`列的数据以上方式都有多种方式
print(df[['Age','Cabin','Embarked']].head(3))
# Age Cabin Embarked
# 0 22.0 NaN S
# 1 38.0 C85 C
# 2 26.0 NaN S
可以看到是文件名[['特征1','特征2','特征3','特征4']]
2.2 缺失值处理
(1)处理缺失值一般有几种思路
'''处理缺失值'''
df[df['Age']==None]=0
print(df.head())
# PassengerId Survived Pclass ... Fare Cabin Embarked
# 0 1 0 3 ... 7.2500 NaN S
# 1 2 1 1 ... 71.2833 C85 C
# 2 3 1 3 ... 7.9250 NaN S
# 3 4 1 1 ... 53.1000 C123 S
# 4 5 0 3 ... 8.0500 NaN S
#
# [5 rows x 12 columns]
df[df['Age'].isnull()] = 0
print(df.head())
# PassengerId Survived Pclass ... Fare Cabin Embarked
# 0 1 0 3 ... 7.2500 NaN S
# 1 2 1 1 ... 71.2833 C85 C
# 2 3 1 3 ... 7.9250 NaN S
# 3 4 1 1 ... 53.1000 C123 S
# 4 5 0 3 ... 8.0500 NaN S
#
# [5 rows x 12 columns]
df[df['Age'] == np.nan] = 0
print(df.head())
# PassengerId Survived Pclass ... Fare Cabin Embarked
# 0 1 0 3 ... 7.2500 NaN S
# 1 2 1 1 ... 71.2833 C85 C
# 2 3 1 3 ... 7.9250 NaN S
# 3 4 1 1 ... 53.1000 C123 S
# 4 5 0 3 ... 8.0500 NaN S
#
# [5 rows x 12 columns]
感觉这里的操作是看不到结果的
【思考】检索空缺值用np.nan要比用None好，这是为什么？
【回答】数值列读取数据后，空缺值的数据类型为float64所以用None一般索引不到，比较的时候最好用np.nan
所以推荐第三个方法文件[文件['特征'] == np.nan] = 0
(2) 请尝试对Age列的数据的缺失值进行处理
(3) 请尝试使用不同的方法直接对整张表的缺失值进行处理
【思考】dropna和fillna有哪些参数，分别如何使用呢?
【参考】https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.dropna.html
【参考】https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.fillna.html
2.3 重复值观察
'''请查看数据中的重复值'''
print(df[df.duplicated()])
# PassengerId Survived Pclass Name Sex ... Parch Ticket Fare Cabin Embarked
# 17 0 0 0 0 0 ... 0 0 0.0 0 0
# 19 0 0 0 0 0 ... 0 0 0.0 0 0
# 26 0 0 0 0 0 ... 0 0 0.0 0 0
# 28 0 0 0 0 0 ... 0 0 0.0 0 0
# 29 0 0 0 0 0 ... 0 0 0.0 0 0
# .. ... ... ... ... .. ... ... ... ... ... ...
# 859 0 0 0 0 0 ... 0 0 0.0 0 0
# 863 0 0 0 0 0 ... 0 0 0.0 0 0
# 868 0 0 0 0 0 ... 0 0 0.0 0 0
# 878 0 0 0 0 0 ... 0 0 0.0 0 0
# 888 0 0 0 0 0 ... 0 0 0.0 0 0
#
# [176 rows x 12 columns]
2.4 对重复值进行处理
(1)重复值有哪些处理方式呢？
(2)处理我们数据的重复值
将前面清洗的数据保存为csv格式
'''将前面清洗的数据保存为csv格式'''
df.to_csv('test_clear.csv')
关于特征观察：
我们对特征进行一下观察，可以把特征大概分为两大类：
数值型特征：Survived ，Pclass， Age ，SibSp， Parch， Fare，其中Survived， Pclass为离散型数值特征，Age，SibSp， Parch， Fare为连续型数值特征
文本型特征：Name， Sex， Cabin，Embarked， Ticket，其中Sex， Cabin， Embarked， Ticket为类别型文本特征。
数值型特征一般可以直接用于模型的训练，但有时候为了模型的稳定性及鲁棒性会对连续变量进行离散化。文本型特征往往需要转换成数值型特征才能用于建模分析。
对年龄进行分箱（离散化）处理
(1) 分箱操作是什么？
(2) 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
#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'])
print(df.head())
# PassengerId Survived Pclass ... Cabin Embarked AgeBand
# 0 1 0 3 ... NaN S 2
# 1 2 1 1 ... C85 C 3
# 2 3 1 3 ... NaN S 2
# 3 4 1 1 ... C123 S 3
# 4 5 0 3 ... NaN S 3
#
# [5 rows x 13 columns]
df.to_csv('test_ave.csv')
(3) 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
#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'])
print(df.head(3))
# PassengerId Survived Pclass ... Cabin Embarked AgeBand
# 0 1 0 3 ... NaN S 3
# 1 2 1 1 ... C85 C 4
# 2 3 1 3 ... NaN S 3
#
# [3 rows x 13 columns]
df.to_csv('test_cut.csv')
(4) 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
(5) 将上面的获得的数据分别进行保存，保存为csv格式
2.5 对文本变量进行转换
(1) 查看文本变量名及种类
'''对文本变量进行转换'''
#查看类别文本变量名及种类
#方法一: value_counts
print(df['Sex'].value_counts())
# male 453
# female 261
# 0 177
# Name: Sex, dtype: int64print(df['Cabin'].value_counts())
# 0 177
# B96 B98 4
# C23 C25 C27 4
# G6 4
# C22 C26 3
# ...
# D19 1
# E40 1
# B4 1
# E49 1
# F G63 1
# Name: Cabin, Length: 135, dtype: int64print(df['Embarked'].value_counts())
# S 554
# 0 177
# C 130
# Q 28
# Name: Embarked, dtype: int64#方法二: unique
print(df['Sex'].unique())
# ['male' 'female' 0]print(df['Sex'].nunique())
# 3
(2) 将文本变量Sex， Cabin ，Embarked用数值变量12345表示
'''将类别文本转换为12345'''
#方法一: replace
df['Sex_num'] = df['Sex'].replace(['male','female'],[1,2])
print(df.head())
# PassengerId Survived Pclass ... Embarked AgeBand Sex_num
# 0 1 0 3 ... S 3 1
# 1 2 1 1 ... C 4 2
# 2 3 1 3 ... S 3 2
# 3 4 1 1 ... S 4 2
# 4 5 0 3 ... S 4 1
#
# [5 rows x 14 columns]#方法二: map
df['Sex_num'] = df['Sex'].map({'male': 1, 'female': 2})
print(df.head())
# PassengerId Survived Pclass ... Embarked AgeBand Sex_num
# 0 1 0 3 ... S 3 1.0
# 1 2 1 1 ... C 4 2.0
# 2 3 1 3 ... S 3 2.0
# 3 4 1 1 ... S 4 2.0
# 4 5 0 3 ... S 4 1.0
#
# [5 rows x 14 columns]#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))
print(df.head())
# PassengerId Survived ... Cabin_labelEncode Ticket_labelEncode
# 0 1 0 ... 135 409
# 1 2 1 ... 74 472
# 2 3 1 ... 135 533
# 3 4 1 ... 50 41
# 4 5 0 ... 135 374
#
# [5 rows x 16 columns]
(3) 将文本变量Sex， Cabin， Embarked用one-hot编码表示
# 方法一: 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)
print(df.head())
# PassengerId Survived Pclass ... Embarked_C Embarked_Q Embarked_S
# 0 1 0 3 ... 0 0 1
# 1 2 1 1 ... 1 0 0
# 2 3 1 3 ... 0 0 1
# 3 4 1 1 ... 0 0 1
# 4 5 0 3 ... 0 0 1
#
# [5 rows x 109 columns]
2.6 从纯文本Name特征里提取出Titles的特征(所谓的Titles就是Mr,Miss,Mrs等)
'''从纯文本Name特征里提取出Titles的特征(所谓的Titles就是Mr,Miss,Mrs等)'''
df['Title'] = df.Name.str.extract('([A-Za-z]+)\.', expand=False)
print(df.head())
# PassengerId Survived Pclass ... Embarked_Q Embarked_S Title
# 0 1 0 3 ... 0 1 Mr
# 1 2 1 1 ... 0 0 Mrs
# 2 3 1 3 ... 0 1 Miss
# 3 4 1 1 ... 0 1 Mrs
# 4 5 0 3 ... 0 1 Mr
#
# [5 rows x 110 columns]
# 保存上面的为最终结论
df.to_csv('test_fin.csv')
数据分析 第二章 1.数据清洗及特征处理相关推荐
- Datawhale---动手学数据分析---第二章：第二章：数据清洗及特征处理(泰坦尼克的任务)
Datawhale---动手学数据分析---第一章:数据载入及初步观察(泰坦尼克的任务) [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 ...
- 动手学数据分析Task2第一节数据清洗及特征处理
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 ...
- 【TL第二期】动手学数据分析-第二章 数据预处理
文章目录 第二章 第一节 数据清洗及特征处理 第二节 数据重构1 第三节 数据重构2 第四节 数据可视化 第二章 第一节 数据清洗及特征处理 数据清洗:对于原始数据中的缺失值.异常值进行处理.相当于数 ...
- 组队学习-动手学数据分析-第二章第2、3节
复习:在前面我们已经学习了Pandas基础,第二章我们开始进入数据分析的业务部分,在第二章第一节的内容中,我们学习了数据的清洗,这一部分十分重要,只有数据变得相对干净,我们之后对数据的分析才可以更有力 ...
- 动手学数据分析（二）- 数据清洗及特征处理
1 初心 本系列笔记用于记录自己第一次参加Datawhale的组队学习.自己马上开启研究生学习生涯,因此熟练掌握数据分析这一重要技能对未来的学习能够提供很大的帮助,Datawhale团队在项目初衷里说 ...
- 数据分析第二章numpy数值运算
import numpy as np 一.举例说明Numpy如何创建数组,访问数组,数组类型如何转换? 创建数组 array函数创建数组 array函数(),括号内的元素可以是,列表,元组,数组,迭代 ...
- 大数据分析-第二章 大数据平台
Lecture2-大数据平台 1. Hadoop 1.1. Hadoop计算过程 1.2. Hadoop发展简史 Hadoop起源于Apache Nutch,后者是一个开源的网络搜索擎,本身也是由Lu ...
- 第二章：第一节数据清洗及特征处理-自测
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 ...
- 第二章：第一节数据清洗及特征处理-课程
[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 ...
- Datawhale数据分析课程第二章
Datawhale数据分析课程第二章 准备工作 数据清洗及特征处理 相关定义 缺失值观察与处理 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, Embark ...
最新文章
- 22张精炼图笔记，深度学习专项学习必备
- 关于ASP.NET 中站点地图sitemap 的使用【转xugang】
- 用Java实现HTTP断点续传功能(ZT)
- 【机器学习基础】Python机器学习入门指南（全）
- git 代码回滚_能提交到远程的Git回滚
- CacheManager操作缓存
- Remixer-谷歌的UI参数动态修改框架
- CJSON之完全基于C库函数的使用
- 剑指Offer之寻找二叉搜索树的第k个节点
- mysql命令 show_mysql show 相关命令
- 2018年暑假第二周
- JavaScript 编码指南
- HTML多人联机游戏,前端实现双人联机版俄罗斯方块小游戏2（实现双人联机)
- http请求中的 OPTIONS 详解
- android 雪球红包脚本,利用adb shell和node.js实现抖音自动抢红包功能(推荐)
- HC74h595 串行输出再进行串口输出（串行通信嵌套）已测试成功。
- 高通量测序的方式解析：单端测序、paired-end/mate-paired(PE/MP)测序
- 【web-攻击用户】（9.6.2）其他客户端注入攻击：开放式重定向漏洞
- 学习 Linux 的最佳方式
- Android To get local formatting use getDateInstance(), getDateTimeInstance(), or getTimeInstance(),