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 pd
df = pd.read_csv('train.csv')
通常我们拿到的数据是不干净的,即数据中有缺失值、异常点等,需经过一定处理才能继续做后续的分析或建模,所以拿到数据的第一步是进行数据清洗。
目录
一、缺失值观察与处理
1.缺失值观察
2.处理缺失值
二、重复值观察与处理
1.查看重复值
2.处理重复值
三、特征观察与处理
1.分箱(离散化)处理
2.转换文本变量
3.特征提取
一、缺失值观察与处理
1.缺失值观察
查看每个特征缺失值个数
df.info() #法一 ## RangeIndex: 891 entries, 0 to 890 # Data columns (total 12 columns): # # Column Non-Null Count Dtype # --- ------ -------------- ----- # 0 PassengerId 891 non-null int64 # 1 Survived 891 non-null int64 # 2 Pclass 891 non-null int64 # 3 Name 891 non-null object # 4 Sex 891 non-null object # 5 Age 714 non-null float64 # 6 SibSp 891 non-null int64 # 7 Parch 891 non-null int64 # 8 Ticket 891 non-null object # 9 Fare 891 non-null float64 # 10 Cabin 204 non-null object # 11 Embarked 889 non-null object # dtypes: float64(2), int64(5), object(5) # memory usage: 83.7+ KB df.isnull().sum() #法二 # 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
查看Age, Cabin, Embarked列的数据
df[['Age','Cabin','Embarked']].head(3) # Age Cabin Embarked # 0 22.0 NaN S # 1 38.0 C85 C # 2 26.0 NaN S
2.处理缺失值
df[df['Age']==None]=0
df[df['Age'].isnull()] = 0
# 0 False
# 1 False
# 2 False
# 3 False
# 4 False
# 886 False
# 887 False
# 888 True
# 889 False
# 890 False
# Name: Age, Length: 891, dtype: bool
df[df['Age'] == np.nan] = 0
【思考】检索空缺值用np.nan,None及.isnull()哪个更好?若某个方式无法找到缺失值,原因是?
这个问题笔者暂时还没查明白……等再了解一些后会进行更新。目前只发现打印df['Age']==None,df['Age'].isnull()和df['Age'] == np.nan发现只有.isnull()将第888个数据显示为True,其余两种方式均显示为False。
由于数值列读取数据后,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
df.dropna().head(3) df.fillna(0).head(3)
【拓展】dropna和fillna有哪些参数,分别如何使用?
dropna(axis=0,how='any',thresh='None',subset='None',inplace='False')用于找到DataFrame类型数据的空值(缺失值),将空值所在的行/列删除后,将新的DataFrame作为返回值返回。
axis取0或'index',index表示行索引,若某行有空值,则删除该行;同样,若对列操作则取1或'column'。默认值为0;
how筛选方式。any表示该行/列只要有一个以上的空值就删除该行/列;all表示该行/列全部都为空值就删除该行/列,默认值any;
thresh删除条件(int整数型):行/列中非空元素个数小于thresh,该行/列会才会被删除。可理解为空值太多了才启动删除行/列;
如果axis=0或者‘index',subset中元素为列索引,如d.dropna(axis='index', how='all', subset=[0,5,6]))表当某行的0,5,6列均为空时删除该行;
inplace是否直接在原dataframe进行缺失值删除,默认False,即不在原DataFrame上进行缺失值删除操作。
df.fillna(a,[inplace=False])用指定值填充dataframe中的缺失值。
a表示常数或字典,若a为常数则用常数a填充缺失值;若a为字典则表示第key列的缺失值用key对应的value值填充,如df.fillna({0:10,1:20})表示用10去填充第0列的缺失值,用20去填充第1列的缺失值;
inplace为可选参数,默认为False表示不修改原对象。
详细讲解可见:
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.dropna.html
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.fillna.html
二、重复值观察与处理
1.查看重复值
udge = df.duplicated() #判断是否存在重复值
print(judge)
# 0 False
# 1 False
# 2 False
# 3 False
# 4 False
# ...
# 886 False
# 887 False
# 888 False
# 889 False
# 890 False
# Length: 891, dtype: bool
df[df.duplicated()] #该数据无重复值
# Empty DataFrame
# Columns: [PassengerId, Survived, Pclass, Name, Sex, Age, SibSp, Parch, Ticket, Fare, Cabin, Embarked]
# Index: []
2.处理重复值
udge = df.duplicated() #判断是否存在重复值 print(judge) # 0 False # 1 False # 2 False # 3 False # 4 False # ... # 886 False # 887 False # 888 False # 889 False # 890 False # Length: 891, dtype: bool df[df.duplicated()] #该数据无重复值 # Empty DataFrame # Columns: [PassengerId, Survived, Pclass, Name, Sex, Age, SibSp, Parch, Ticket, Fare, Cabin, Embarked] # Index: []
2.处理重复值
若有重复值用duplicated(subset=None, keep='first'):
subset用于识别重复出现的列标签或列标签序列,默认识别所有的列标签;
keep删除重复项并保留第一次出现的,取值可以为first,last,False;
如df.drop_duplicates()删除数据记录中所有列值相同的记录,df.drop_duplicates(['Age'])删除数据记录中Age列值相同的记录。
重复值处理完后,index会有不连续,可以通过上一篇学的reindex()方法完成连续索引操作。
三、特征观察与处理
对特征进行观察,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和Pclass为离散型数值特征,其余为连续型数值特征;
文本型特征:Name,Sex,Cabin,Embarked,Ticket,其中Sex,Cabin,Embarked和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。
1.分箱(离散化)处理
对年龄进行分箱(离散化)处理,分箱的本质就是离散化连续变量。
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])
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])
详细可参考:
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.cut.html
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.qcut.html
2.转换文本变量
查看类别文本变量名及种类
df['Sex'].value_counts() #法一: value_counts # male 577 # female 314 # Name: Sex, dtype: int64 df['Cabin'].value_counts() df['Embarked'].value_counts() df['Sex'].unique() #法二: unique #array(['male', 'female'], dtype=object) df['Sex'].nunique() #2
将类别文本转换为12345
df['Sex_num'] = df['Sex'].replace(['male','female'],[1,2]) #法一: replace
df.head()
df['Sex_num'] = df['Sex'].map({'male': 1, 'female': 2}) #法二: map
df.head()
from sklearn.preprocessing import LabelEncoder #法三: 使用sklearn.preprocessing的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))
df.head()
其中zip()接受一系列可迭代的对象作为参数,将对象中对应的元素打包成一个个tuple,然后返回由这些tuple组成的iterable(可迭代对象)。
将类别文本转换为one-hot编码
for feat in ["Age", "Embarked"]: #法一: OneHotEncoder # 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.特征提取
从纯文本Name特征里提取出Titles的特征(所谓Titles就是Mr,Miss,Mrs等)
df['Title'] = df.Name.str.extract('([A-Za-z]+).', expand=False)
df.head()
df.to_csv('test_fin.csv')


