【Datawhale动手学数据分析笔记】第二章 数据清洗
数据清洗
第二章:数据清洗及特征处理
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
我们拿到的数据经常会有很多缺失值,比如我们可以看到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
2.1.1 缺失值观察
#方法一
df.info()
运行结果:
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 乘客ID 891 non-null int64
1 是否幸存 891 non-null int64
2 仓位等级 891 non-null int64
3 姓名 891 non-null object
4 性别 891 non-null object
5 年龄 714 non-null float64
6 兄弟姐妹个数 891 non-null int64
7 父母子女个数 891 non-null int64
8 船票信息 891 non-null object
9 票价 891 non-null float64
10 客舱 204 non-null object
11 登船港口 889 non-null object
dtypes: float64(2), int64(5), object(5)
memory usage: 83.7+ KB
#方法二
df.isnull().sum()
运行结果
乘客ID 0
是否幸存 0
仓位等级 0
姓名 0
性别 0
年龄 177
兄弟姐妹个数 0
父母子女个数 0
船票信息 0
票价 0
客舱 687
登船港口 2
dtype: int64
df[['年龄','客舱','登船港口']].head(3)
运行结果:
2.1.2 对缺失值进行处理
以下是举例:
#方法一:
df[df['年龄']==None]=0
df.head(3)
运行结果:
#方法二:
df[df['年龄'].isnull()] = 0 # 还好
df.head(3)
运行结果:
#方法三:
df[df['年龄'] == np.nan] = 0
df.head()
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
#方法四:
df.dropna().head(3)
运行结果:
#方法五:
df.fillna(0).head(3)
运行结果:
参考文献:
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
2.2 重复值观察与处理
由于这样那样的原因,数据中会不会存在重复值呢,如果存在要怎样处理呢
2.2.1 查看数据中的重复值
df[df.duplicated()]
运行结果:
2.2.2 对重复值进行处理
df = df.drop_duplicates()
df.head()
运行结果:
2.2.3 将前面清洗的数据保存为csv格式
df.to_csv('test_clear.csv')
2.3 特征观察与处理
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。
2.3.1 对年龄进行分箱(离散化)处理
分箱操作就是将连续数据转换为分类对应物的过程。⽐如将连续的身⾼数据划分为:矮中⾼。
#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['年龄段'] = pd.cut(df['年龄'], 5,labels = [1,2,3,4,5])
df.head()
运行结果:
#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['年龄段'] = pd.cut(df['年龄'],[0,5,15,30,50,80],labels = [1,2,3,4,5])
df.head(3)
运行结果:
#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['年龄段'] = pd.qcut(df['年龄'],[0,0.1,0.3,0.5,0.7,0.9],labels = [1,2,3,4,5])
df.head()
运行结果:
参考文献:
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.qcut.html
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.cut.html
2.3.2 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
df['性别'].value_counts()
运行结果:
male 453
female 261
0 1
Name: 性别, dtype: int64
df['客舱'].value_counts()
运行结果:
G6 4
C23 C25 C27 4
B96 B98 4
F33 3
C22 C26 3
..
C124 1
C32 1
E34 1
C7 1
C148 1
Name: 客舱, Length: 135, dtype: int64
df['登船港口'].value_counts()
运行结果
S 554
C 130
Q 28
0 1
Name: 登船港口, dtype: int64
#方法二: unique
df['性别'].unique()
运行结果:array([‘male’, ‘female’, 0], dtype=object)
df['性别'].nunique()
运行结果:3
#将类别文本转换为12345
#方法一: replace
df['性别_数字'] = df['性别'].replace(['male','female'],[1,2])
df.head()
运行结果:
#方法二: map
df['性别_数字'] = df['性别'].map({'male': 1, 'female': 2})
df.head()
运行结果:
方法三将使用的sklearn库,如果环境中没有安装的话执行如下命令安装sklearn库
pip install scikit-learn
#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))
df.head()
运行结果:
#将类别文本转换为one-hot编码
#方法一: OneHotEncoder
for feat in ["年龄", "登船港口"]:
# 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()
运行结果:
2.3.3 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)
df['称呼'] = df.姓名.str.extract('([A-Za-z]+)\.', expand=False)
df.head()
运行结果:
- 点赞
- 收藏
- 关注作者
评论(0)