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()
