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：