数据清洗及特征处理
1.导入numpy、pandas包和数据
import numpy as np
import pandas as pd
df = pd.read_csv('train.csv')
df.head(3)
拿到的数据通常是不干净的，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。
拿到数据的第一步是进行数据清洗，进行缺失值、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.缺失值观察与处理
缺失值观察-查看每个特征缺失值个数
df.info()
查看详细信息
pd.isnull(df)
查看缺失值，True表示缺失值
df.isnull().sum()
查看缺失值个数
df.isnull().mean()
查看缺失值比例
缺失值观察-查看Age， Cabin， Embarked列的数据
df[['Age','Cabin','Embarked']].head(3)
缺失值处理-处理Age列的数据的缺失值
df[df['Age']==None]=0
df.head(3)
df[df['Age'].isnull()] = 0
df.head(3)
df[df['Age'] == np.nan] = 0
df.head()
检索空缺值，比较np.nan,None以及.isnull()
None<.isnull()<np.nan
数值列读取数据后，空缺值的数据类型为float64，使用None一般索引不到。
比较的时候最好用np.nan。
缺失值处理-对整张表的缺失值进行处理
df.dropna().head(3)
df.fillna(0).head(3)
dropna和fillna的参数
dropna的参数：
axis：默认为0即'index',1为'columns'
how：all和any，默认为any，how='all'删除全是缺失值的行
thresh：保留至少含有n个非缺失值数值的行
subset：去除特定列的缺失值
inplace：inplace=True直接在原数据上修改
fillna的参数:：
value：标量值或字典型对象来填充缺失值
method：‘backfill’/‘bfill’用后一个值填充上面的缺失值
‘pad’/‘ffill’用前一个值去填充下面的缺失值
axis：默认为0即'index',1为'columns'
inplace：inplace=True改变原数据.
limit：限制填充个数
3.重复值观察与处理
查看数据中的重复值
df[df.duplicated()]
删除数据中的重复值
df = df.drop_duplicates()
df.head()
保存前面清洗的数据
df.to_csv('test_clear.csv')
4.特征观察与处理
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。
对年龄进行封箱操作
分箱操作是指对连续值进行离散，分组操作。
将Age平均分箱成5个年龄段，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Age分为(0,5] (5,15] (15,30] (30,50] (50,80]五个年龄段，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Age分为10% 30% 50 70% 90%五个年龄段，分别用分类变量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()
对本文变量进行转换
查看类别文本变量名及种类
value_counts
df['Sex'].value_counts()
df['Embarked'].value_counts()
unique
df['Sex'].unique()
将文本变量Sex， Cabin ，Embarked用数值变量12345表示
replace
df['Sex_num'] = df['Sex'].replace(['male','female'],[1,2])
df.head()
map
df['Sex_num'] = df['Sex'].map({'male': 1, 'female': 2})
df.head()
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()
将文本变量Sex， Cabin， Embarked用one-hot编码表示
OneHotEncoder
for feat in ["Age", "Embarked"]:
x = pd.get_dummies(df[feat], prefix=feat)
df = pd.concat([df, x], axis=1)
df.head()
从纯文本Name特征里提取出Titles的特征(Mr,Miss,Mrs等)
df['Title'] = df.Name.str.extract('([A-Za-z]+)\.', expand=False)
df.head()
DataWhale开源学习资料：
