[Python知识库]第二章：第一节数据清洗及特征处理

【回顾&引言】这一章的第一节主要是数据清洗以及数据的特征处理。

开始之前，导入numpy、pandas包和数据

#加载所需的库
import numpy as np
import pandas as pd

#加载数据train.csv
train = pd.read_csv('train.csv')
train.head()

2 第二章：数据清洗及特征处理

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亚子。

2.1 缺失值观察与处理

2.1.1 任务一：缺失值观察

(1) 请查看每个特征缺失值个数
(2) 请查看Age， Cabin， Embarked列的数据
以上方式都有多种方式，所以大家多多益善

#查看缺失值方法一
train.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
PassengerId    891 non-null int64
Survived       891 non-null int64
Pclass         891 non-null int64
Name           891 non-null object
Sex            891 non-null object
Age            714 non-null float64
SibSp          891 non-null int64
Parch          891 non-null int64
Ticket         891 non-null object
Fare           891 non-null float64
Cabin          204 non-null object
Embarked       889 non-null object
dtypes: float64(2), int64(5), object(5)
memory usage: 83.6+ KB

#查看缺失值方法二
train.isnull().sum(axis=0)

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

#查看某些列数据
train[['Age','Cabin','Embarked']].head()

2.1.2 任务二：对缺失值进行处理

(1)处理缺失值一般有几种思路

(2) 请尝试对Age列的数据的缺失值进行处理

(3) 请尝试使用不同的方法直接对整张表的缺失值进行处理

#处理缺失值的一般思路：
'''
删除：判断缺失值数量占比较低，或所在列数数据对后续分析无影响
填充：均值或中位数（数值变量）
      众数或单独算一类（类别变量）
        缺失值<20%，直接填充
        80%>缺失值>=20%,填充后，新增列标志是否缺失（is_Delete）
        缺失值>=80%，不填充，新增列标志是否缺失（is_Delete）
'''

#提醒：可使用的函数有--->dropna函数与fillna函数
'''
DataFrame.fillna()函数：当数据中存在NaN缺失值时，指定数值替代NaN
DataFrame.dropna()函数：删除所有带NaN缺失值的行

'''

'\nDataFrame.fillna()函数：当数据中存在NaN缺失值时，指定数值替代NaN\nDataFrame.dropna()函数：删除所有带NaN缺失值的行\n\n'

#Age缺失值约20%，且后续分析会用到该字段，采用均值填充。Embarked缺失值为2，直接删除对应记录。Cabin缺失值约77%，座位对后续分析无作用，删除该字段
train['Age'] = train['Age'].fillna(train['Age'].mean())
train1 = train.dropna(subset=['Embarked']).drop('Cabin',axis=1)
train1.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 889 entries, 0 to 890
Data columns (total 11 columns):
PassengerId    889 non-null int64
Survived       889 non-null int64
Pclass         889 non-null int64
Name           889 non-null object
Sex            889 non-null object
Age            889 non-null float64
SibSp          889 non-null int64
Parch          889 non-null int64
Ticket         889 non-null object
Fare           889 non-null float64
Embarked       889 non-null object
dtypes: float64(2), int64(5), object(4)
memory usage: 83.3+ KB

【思考1】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

2.2 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 任务一：请查看数据中的重复值

train1[train1.duplicated()]
#重复数据通常对分析无作用，考虑直接删除 a = train.drop_duplicates(inplace=True)
#查看重复数据的行数 train1.duplicated().sum()

2.2.2 任务二：对重复值进行处理

(1)重复值有哪些处理方式呢？
——重复数据通常对分析无作用，考虑直接删除

(2)处理我们数据的重复值

train1.drop_duplicates(inplace=True)

2.2.3 任务三：将前面清洗的数据保存为csv格式

train1.to_csv('train_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 任务一：对年龄进行分箱（离散化）处理

(1) 分箱操作是什么？

(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

(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

(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

(5) 将上面的获得的数据分别进行保存，保存为csv格式

#分箱操作是什么：将连续数据转换为分类对应物的过程。?如将连续的身?数据划分为：矮中?。分箱操作分为等距分箱和等频分箱

#cut将根据值本身来选择箱子均匀间隔，即每个箱子的间距都是相同的
train1['AgeBand'] = pd.cut(train1['Age'],5,labels=[1,2,3,4,5])
train1.head()

#写入代码
train1['AgeBand'] = pd.cut(train1['Age'],[0,5,15,30,50,80],labels=[1,2,3,4,5])
train1.head()

#qcut是根据这些值的频率来选择箱子的均匀间隔，即每个箱子中含有的数的数量是相同的
train1['AgeBand'] = pd.qcut(train1['Age'],[0,0.1,0.3,0.5,0.7,0.9],labels=[1,2,3,4,5])
train1.head()

train1.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

2.3.2 任务二：对文本变量进行转换

(1) 查看文本变量名及种类
(2) 将文本变量Sex， Cabin ，Embarked用数值变量12345表示
(3) 将文本变量Sex， Cabin， Embarked用one-hot编码表示

train1['Sex'].value_counts()

male      577
female    312
Name: Sex, dtype: int64

train1['Embarked'].value_counts()

S    644
C    168
Q     77
Name: Embarked, dtype: int64

#方法一: replace
train1['Sex_num'] =train1['Sex'].replace(['male','female'],[1,2])
train1.head()

#将类别文本转换为one-hot编码
for feat in ['Sex','Embarked']:
    x = pd.get_dummies(train1[feat], prefix=feat)
    train1 = pd.concat([train1, x], axis=1)
train1.head()

2.3.3 任务三：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)

train1['Title'] = train1.Name.str.extract('([A-Za-z]+)\.', expand=False)
train1.head()

#保存最终你完成的已经清理好的数据
train1.to_csv('test_fin.csv')