对pandas进行数据预处理的实例讲解
参加kaggle数据挖掘比赛，就第一个赛题Titanic的数据，学习相关数据预处理以及模型建立，本博客关注基于pandas进行数据预处理过程。包括数据统计、数据离散化、数据关联性分析
引入包和加载数据
importpandasaspd
importnumpyasnp
train_df=pd.read_csv('../datas/train.csv')#trainset
test_df=pd.read_csv('../datas/test.csv')#testset
combine=[train_df,test_df]
清洗数据
查看数据维度以及类型
缺失值处理
查看object数据统计信息
数值属性离散化
计算特征与target属性之间关系
查看数据维度以及类型
#查看前五条数据 printtrain_df.head(5) #查看每列数据类型以及nan情况 printtrain_df.info() #获得所有object属性 printtrain_data.describe(include=['O']).columns
查看object数据统计信息
#查看连续数值属性基本统计情况 printtrain_df.describe() #查看object属性数据统计情况 printtrain_df.describe(include=['O']) #统计Title单列各个元素对应的个数 printtrain_df['Title'].value_counts() #属性列删除 train_df=train_df.drop(['Name','PassengerId'],axis=1)
缺失值处理
#直接丢弃缺失数据列的行
printdf4.dropna(axis=0,subset=['col1'])#丢弃nan的行,subset指定查看哪几列
printdf4.dropna(axis=1)#丢弃nan的列
#采用其他值填充
dataset['Cabin']=dataset['Cabin'].fillna('U')
dataset['Title']=dataset['Title'].fillna(0)
#采用出现最频繁的值填充
freq_port=train_df.Embarked.dropna().mode()[0]
dataset['Embarked']=dataset['Embarked'].fillna(freq_port)
#采用中位数或者平均数填充
test_df['Fare'].fillna(test_df['Fare'].dropna().median(),inplace=True)
test_df['Fare'].fillna(test_df['Fare'].dropna().mean(),inplace=True)
数值属性离散化，object属性数值化
#创造一个新列，FareBand，将连续属性Fare切分成四份
train_df['FareBand']=pd.qcut(train_df['Fare'],4)
#查看切分后的属性与target属性Survive的关系
train_df[['FareBand','Survived']].groupby(['FareBand'],as_index=False).mean().sort_values(by='FareBand',ascending=True)
#建立object属性映射字典
title_mapping={"Mr":1,"Miss":2,"Mrs":3,"Master":4,"Royalty":5,"Officer":6}
dataset['Title']=dataset['Title'].map(title_mapping)
计算特征与target属性之间关系
object与连续target属性之间，可以groupby均值
object与离散target属性之间，先将target数值化，然后groupby均值，或者分别条形统计图
连续属性需要先切割然后再进行groupby计算，或者pearson相关系数
printtrain_df[['AgeBand','Survived']].groupby(['AgeBand'],as_index=False).mean().sort_values(by='AgeBand',ascending=True)
总结pandas基本操作
”'
创建df对象
””'
s1=pd.Series([1,2,3,np.nan,4,5])
s2=pd.Series([np.nan,1,2,3,4,5])
prints1
dates=pd.date_range(“20130101”,periods=6)
printdates
df=pd.DataFrame(np.random.rand(6,4),index=dates,columns=list(“ABCD”))
#printdf
df2=pd.DataFrame({“A”:1,
‘B':pd.Timestamp(‘20130102'),
‘C':pd.Series(1,index=list(range(4)),dtype='float32'),
‘D':np.array([3]*4,dtype=np.int32),
‘E':pd.Categorical([‘test','train','test','train']),
‘F':'foo'
})
#printdf2.dtypes
df3=pd.DataFrame({'col1':s1,
'col2':s2
})
printdf3
'''
2.查看df数据
'''
printdf3.head(2)#查看头几条
printdf3.tail(3)#查看尾几条
printdf.index#查看索引
printdf.info()#查看非non数据条数
printtype(df.values)#返回二元数组
#printdf3.values
printdf.describe()#对每列数据进行初步的统计
printdf3
printdf3.sort_values(by=['col1'],axis=0,ascending=True)#按照哪几列排序
'''
3.选择数据
'''
ser_1=df3['col1']
printtype(ser_1)#pandas.core.series.Series
printdf3[0:2]#前三行
printdf3.loc[df3.index[0]]#通过index来访问
printdf3.loc[df3.index[0],['col2']]#通过行index，和列名来唯一确定一个位置
printdf3.iloc[1]#通过位置来访问
printdf3.iloc[[1,2],1:2]#通过位置来访问
print"==="
printdf3.loc[:,['col1','col2']].as_matrix()#返回nunpy二元数组
printtype(df3.loc[:,['col1','col2']].as_matrix())
'''
4.布尔索引，过滤数据
'''
printdf3[df3.col1>2]
df4=df3.copy()
df4['col3']=pd.Series(['one','two','two','three','one','two'])
printdf4
printdf4[df4['col3'].isin(['one','two'])]
df4.loc[:,'col3']="five"
printdf4
'''
5.缺失值处理，pandas将缺失值用nan代替
'''
printpd.isnull(df4)
printdf4.dropna(axis=0,subset=['col1'])#丢弃nan的行,subset指定查看哪几列
printdf4.dropna(axis=1)#丢弃nan的列
以上这篇对pandas进行数据预处理的实例讲解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。