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) 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()