3_数据分析—数据清洗及特征处理
文章目录
- 一、数据导入
- 二、数据清洗简述
- 2.1 缺失值—观察与处理
- 2.1.1 缺失值观察(2种方法)
- 2.1.2 对缺失值进行处理
- 2.1.3 对缺失值进行填充
- 2.2 重复值—观察与处理
- 2.2.1 查看数据中的重复值
- 2.2.2 对重复值进行处理
- 2.2.3 将前面清洗的数据保存为csv格式
- 三、特征观察与处理(重点)
- 3.1 特征观察(重点)
- 3.2 特征处理
- 3.2.1 数值型特征处理—对年龄进行分箱(离散化)处理
- 3.2.2 文本型特征处理—对文本变量进行转换
- 3.2.3 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)
一、数据导入
#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')
df.head(3)
二、数据清洗简述
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样子。
2.1 缺失值—观察与处理
2.1.1 缺失值观察(2种方法)
(1) 请查看每个特征缺失值个数
(2) 请查看Age, Cabin, Embarked列的数据
#方法一。df.info():主要介绍数据集各列的数据类型,是否为空值,内存占用情况
df.info()
# df.isnull() #是缺失值。返回True,否则范围False#方法二,返回每列包含的缺失值的个数。
df.isnull().sum()
df[['Age','Cabin','Embarked']].head(3)
2.1.2 对缺失值进行处理
1、对Age列的数据的缺失值进行处理的 3 种方法。
思路一:
df[df['Age']==None]=0
df.head(3)
思路二:
df[df['Age'].isnull()] = 0 # 还好
df.head(3)
思路三:
df[df['Age'] == np.nan] = 0
df.head()
【思考】检索空缺值用np.nan
,None
以及.isnull()
哪个更好,这是为什么?如果其中某个方式无法找到缺失值,原因又是为什么?
【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
2、直接对整张表的缺失值进行处理(2种)
思路一:
# df.dropna()函数用于删除dataframe数据中的缺失数据,即 删除NaN数据df.dropna().head(3)
思路二:
# 用0填补
df.fillna(0).head(3)
【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
2.1.3 对缺失值进行填充
- 对分类变量缺失值:填充某个缺失值字符(NA)、用最多类别的进行填充
- 对连续变量缺失值:填充均值、中位数、众数
# 读取训练数集
train = pd.read_csv('train.csv')# 对分类变量进行填充
train['Cabin'] = train['Cabin'].fillna('NA')
train['Embarked'] = train['Embarked'].fillna('S')# 对连续变量进行填充
train['Age'] = train['Age'].fillna(train['Age'].mean())# 检查缺失值比例
train.isnull().sum().sort_values(ascending=False)
Embarked 0 Cabin 0 Fare 0 Ticket 0 Parch 0 SibSp 0 Age 0 Sex 0 Name 0 Pclass 0 Survived 0 PassengerId 0 dtype: int64
2.2 重复值—观察与处理
2.2.1 查看数据中的重复值
# 参数详解:subset:检测重复的数据范围。默认为数据集的所有列,可指定特定数据列;df[df.duplicated()]
2.2.2 对重复值进行处理
对整个行有重复值的清理
df = df.drop_duplicates()
df.head()
2.2.3 将前面清洗的数据保存为csv格式
df.to_csv('test_clear.csv')
三、特征观察与处理(重点)
3.1 特征观察(重点)
我们对特征进行一下观察,可以把特征大概分为两大类:
①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。
②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。
3.2 特征处理
3.2.1 数值型特征处理—对年龄进行分箱(离散化)处理
(1) 分箱操作是什么?
我们在建立模型前,一般需要对特征变量进行离散化,特征离散化后,模型会更稳定,降低模型过拟合的风险。尤其是采用 logsitic 建立评分卡模型时,必须对连续变量进行离散化。而特征离散化处理通常采用的就是分箱法,数据分箱(也称为离散分箱或分段)是一种数据预处理技术,用于减少次要观察误差的影响,提高泛化性。
数据分箱又分为有监督分箱和无监督分箱,是否使用标签进行离散化(分箱)决定了有监督还是无监督的离散化方法。
(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])
df.head()
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])
df.head(3)
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:
#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])
df.head()
df.to_csv('test_pr.csv')
【参考】https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.cut.html
【参考】https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.qcut.html
3.2.2 文本型特征处理—对文本变量进行转换
(1) 查看文本变量名
方法一:
#查看类别文本变量名及种类#方法一: value_counts
df['Sex'].value_counts()
方法二:
#方法二: unique 数组形式(numpy.ndarray)返回所选列的所有唯一值(特征的所有唯一值)
df['Sex'].unique()
array(['male', 'female', 0], dtype=object)
(2)查看文本种类数量
# 即返回的是唯一值的个数,性别个数
df['Sex'].nunique()
3
(3) 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1 replace
df['Sex_num']=df['Sex'].replace(['male','female'],[1,2])#方法2 map
df['Sex_num']=df['Sex'].map({'male':1,'female':2})#方法三: 使用sklearn.preprocessing的LabelEncoder
#标准化标签,将标签值统一转换成range(标签值个数-1)范围内
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))
(4) 将文本变量Sex, Cabin, Embarked用one-hot编码表示
#将类别文本转换为one-hot编码#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)df.head()
3.2.3 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)
#为了提取Mr,可以看到Mr前面有空格,且从大写字母开始再到小写字母 。
#所以该正则表达式也是类似:先空了一格,从大写字母A-Z中匹配,再从小写字母a-z中匹配, 到 .(点)这##里结束。
#\表示转义,在正则表达式中点(.)表示:匹配除换行符 \n 之外的任何单字符。若要直接使用则需要加上转#义符号#expand= 布尔值,默认为真。 如果为真,则返回每个捕获组有一列的数据框。如果为假,则返回序列/索引;如果有捕获组,则返回数据框。df['Title'] = df.Name.str.extract(' ([A-Za-z]+)\.', expand=False)
df.head()
3_数据分析—数据清洗及特征处理相关推荐
- 动手学数据分析 | 数据清洗及特征处理(二)
接上篇动手学数据分析 | 数据基础操作(一),下面代码为本篇内容的基本代码准备工作. import numpy as np import pandas as pddf = pd.read_csv('t ...
- 动手学数据分析 TASK2 数据清洗及特征处理
本篇主要解决数据清洗和数据的特征处理问题,数据清洗包括缺失值.重复值的处理.字符串数据转换等,此项过程为数据分析的前序环节起铺垫作用. 2 第二章:数据清洗及特征处理 知识概要 缺失值和重复值的观察与 ...
- 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 ...
- kaggle实战—泰坦尼克(二、数据清洗及特征处理)
kaggle实战-泰坦尼克(一.数据分析) kaggle实战-泰坦尼克(二.数据清洗及特征处理) kaggle实战-泰坦尼克(三.数据重构) kaggle实战-泰坦尼克(四.数据可视化) kaggle ...
- 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 ...
- [深度学习]Part2 数据清洗和特征工程Ch06——【DeepBlue学习笔记】
本文仅供学习使用 数据清洗和特征工程Ch06 1. 特征工程 1.1 特征工程介绍 1.2 特征预处理 1.2.1 数据清洗 1.2.1.1 数据清洗-预处理 1.2.1.2 数据清洗-格式内容错误数 ...
- 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(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 ...
最新文章
- CUDA Samples: Image Process: BGR to BGR565
- SAP 物料主数据屏幕增强
- zabbix前端php界面,zabbix简介及安装
- css中如何实现帧布局_?如何在Python中加入多个数据帧?
- linux中的echo%3e文件,Linux学习笔记-shell脚本中${}的使用方法
- 单片机两个正玄波信号的相位差计算_51单片机的定时器/计数器的原理与使用
- sql如何取前几行_重磅!蚂蚁金服开源机器学习工具SQLFlow,机器学习比SQL还简单...
- C++设计模式之Proxy模式(代理模式)
- 单片机单口不可用或被占用_新唐单片机代码评审总结
- MySQL 5.7 自带的四个数据库 介绍
- 详解淘宝大秒杀系统设计,首次公开
- 利用.bat批处理命令进行文件复制粘贴备份
- 计算机技术专业求职简历,计算机技术专业求职简历模板
- 计算机软考高级 天津落户,官宣:软考高级可作为高级职称人才引进落户上海...
- ClasssLoader
- 高红梅 第二章 第二节 性别焦虑、两性关系与个人身份认同的困境
- 【verilog学习23】HDLBits:Circuits_Sequential Logic_Finite State Machines
- Dell intel i5 1135笔记本 ubuntu18.04无法调节屏幕亮度
- 人工智能的发展历史_是产品,而非艺术品——也论人工智能与文学艺术
- 手动挡五个档位示意图_手动挡车档位介绍,手动挡挡位示意图
热门文章
- Java-toString
- linux 权限拒绝,linux – 权限被拒绝,虽然文件是chmod 777
- java代码创建jar_Java 创建ZIP和JAR文件
- string 方法 java_java中常用的String方法
- 华为云苏光牛:生态建设是数据库产业发展非常重要的一环
- 2020年5月数据库流行度排行:疫情下开源数据库逆势增长,新基建下国产数据库迎机遇...
- 记一次详细的的SQL查询经历,group by慢查询优化
- 18C 也不能避免 SQL 解析的 Bug
- 面对锁等待难题,数仓如何实现问题的秒级定位和分析
- 华为云ModelArts2.0来袭