系列索引：数据分析入门 | kaggle泰坦尼克任务

文章目录

• 一、数据清洗及特征处理
• • （1）数据清洗简述
  • （2）观察缺失值
  • （3）缺失值处理
  • （4）重复值的处理
  • （5）特征观察与处理
  • （6）对年龄进行分箱（离散化）处理
  • （7）对文本变量进行转换
  • （8）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)

一、数据清洗及特征处理

（1）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）观察缺失值

①方法一：

df.info()

PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
 # Column Non-Null Count Dtype 
---  ------       --------------  -----  
 0   PassengerId  891 non-null    int64  
 1   Survived     891 non-null    int64  
 2   Pclass       891 non-null    int64  
 3   Name         891 non-null    object 
 4   Sex          891 non-null    object 
 5   Age          714 non-null    float64
 6   SibSp        891 non-null    int64  
 7   Parch        891 non-null    int64  
 8   Ticket       891 non-null    object 
 9   Fare         891 non-null    float64
 10  Cabin        204 non-null    object 
 11  Embarked     889 non-null    object 
dtypes: float64(2), int64(5), object(5)
memory usage: 83.7+ KB

②方法二：

df.isnull().sum()

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

（3）缺失值处理

df[df['Age']==None]=0
df.head(3)

df[df['Age'].isnull()] = 0 # 还好
df.head(3)

df[df['Age'] == np.nan] = 0
df.head()

df.dropna().head(3)

df.fillna({
    'Age':0}).head(3) #补Age
df.fillna(0) #全表补0

df.loc[df['Age'].isnull(),'Age'] = 0
#在Age为空的那一列补0

【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

（4）重复值的处理

df[df.duplicated()] #会将重复的数值输出

df = df.drop_duplicates() #删除重复行
df.head()

（5）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。

（6）对年龄进行分箱（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()

#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
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()

（7）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['Sex'].value_counts()
-->output:
male      453
female    261
0           1
Name: Sex, dtype: int64

#方法二: unique
df['Sex'].unique()
-->output:
array(['male', 'female', 0], dtype=object)


#将类别文本转换为12345

#方法一: replace
df['Sex_num'] = df['Sex'].replace(['male','female'],[1,2]) #不加inplace返回副本
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()

from sklearn.preprocessing import LabelEncoder
df['Cabin'] = LabelEncoder().fit_transform(df['Cabin'])
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["Age"] // 6)
# x = pd.get_dummies(pd.cut(df['Age'],5))
    x = pd.get_dummies(df[feat], prefix=feat) #第一个参数是要处理的数据，第二个是改名后的前缀
    df = pd.concat([df, x], axis=1) #按列加到原来数据后面
    #df[feat] = pd.get_dummies(df[feat], prefix=feat)
    
df.head()

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

数据分析入门 | kaggle泰坦尼克任务 系列持续更新，欢迎点赞收藏＋关注

上一篇：数据分析入门 | kaggle泰坦尼克任务（三）—＞探索数据分析
下一篇：

本人水平有限，文章中不足之处欢迎下方评论区批评指正~

如果感觉对你有帮助，点个赞 支持一下吧 ~

不定期分享 有趣、有料、有营养内容，欢迎 订阅关注 我的博客 ，期待在这与你相遇 ~