第二章：数据清洗及特征处理
学习目标：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。
学习心得：通过对本次task02的学习，了解了数据清洗和数据预处理的重要性，要想得到成功的结果，数据必须是正确的，具体来说学会了如何检查并处理缺失值、重复值，然后还对一些连续特征离散化，也用的了上一个任务讲到的方法，收获很大。
可以看到Cabin列存在NaN，如何查看其他列有没有NaN的值？
2.1 缺失值观察和处理
查看缺失值
df.info()
df.isnull().sum()
缺失值检查
处理思路:先根据列值选出为空的行索引，然后把这一行设为空值。
方法一：
df[df['Age']== None]=0
df.head(10)
用None处理无效，是因为数值列读取数据后，空缺值的数据类型为float64，所以用None一般索引不到。
方法二：
df[df['Age'].isnull()] = 0 # 还好
df.head(10)
方法三：
df[df['Age'] == np.nan] = 0
df.head(10)
其实np.nan()和pd.isnull()都可以对不论是DataFrame、Python list还是仅仅一个数值进行空值检测。但一般在实际应用中，np.isnan()多用于单个值的检验，pd.isnull()用于对一个DataFrame或Series（整体）的检验。
缺失值处理
方法一：dropna( )
对于Serial对象,丢弃带有NAN的所有项;对于DataFrame对象,丢弃带有NAN的行
方法二：fillna( )
以常数替换NAN值
2.2重复值观察和处理
查看所有的重复值
df[df.duplicated()]
对整个行有重复值的清理的方法
df = df.drop_duplicates()
df.head(100)
2.3特征观察与处理
对年龄进行离散化处理
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(100)
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)
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
（有问题，90%到100%的变量就会变为NaN ,因为没有考虑到他们）
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(100)
对文本变量进行转换
查看类别文本变量名及种类
方法一：
df['Sex'].value_counts()
df['Cabin'].value_counts()
方法二：
df['Sex'].unique()
将类别文本转换为12345
#方法一: replace
df['Sex_num'] = df['Sex'].replace(['male','female'],[1,2])
df.head()
#方法二: map
df['Sex_num'] = df['Sex'].map({'male': 1, 'female': 2})
df.head()
#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()
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[feat], prefix=feat)
df = pd.concat([df, x], axis=1)
#df[feat] = pd.get_dummies(df[feat], prefix=feat)
df.head()
