DataWhale数据分析第二次任务 数据清洗以及特征处理

前面一章的内容大家可以感觉到我们主要是对基础知识做一个梳理，让大家了解数据分析的一些操
作，主要做了数据的各个角度的观察。那么在这里，我们主要是做数据分析的流程性学习，主要是包括了数据清
洗以及数据的特征处理，数据重构以及数据可视化。这些内容是为数据分析最后的建模和模型评价做一个铺垫。

一、开始之前，导入包

#加载所需要的库
import numpy as np
import pandas as pd

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

二、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。

三、缺失值观察与处理

我们拿到的数据经常会有很多缺失值，比如我们可以看到Cabin列存在NaN，那其他列还有没有缺失值，这些缺失值要怎么处理呢

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

df.info()

df.isnull().sum()
#判断是空的个数

df[['Age', 'Cabin', 'Embarked']].head()

任务二：对缺失值进行处理

(1) 处理缺失值一般有几种思路

• 删除缺失值所在行，适用于小比例缺失情况
• 删除缺失比例大的列，适用于某变量集中缺失的情况
• 不处理

df.dropna().head()
#dropna默认删除包含缺失值的行、穿参 how='all', 删除所有值均为NAN的行，若想删除列传入参数 axis= 1
#仅仅传入thresh = n ,意味着这一行除去NA值，剩余数值的数量大于等于n

(2) 请尝试对Age列的数据的缺失值进行处理

• 利用fillna 进行填充

df.fillna(0).head()
# fillna 函数将缺失值补充为0，还可以采用字典的形式，将不同列设为不同值，返回的是新对象，如果需要修改存在的对象，
#传入参数 inplace = True，在原表进行修改

df[df['Age'] == None] = 0
df.head()
#将None 赋值为0

四、重复值观察与处理

任务一：请查看数据中的重复值

df[df.duplicated()]

任务二：对重复值进行处理

df.duplicates() #返回布尔值
df.drop_duplicates().head() #删除重复值
df.to_csv('test_clear.csv') #保存为test_clear.csv

五、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。

任务一：对年龄进行分箱（离散化）处理

• (1) 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'])
#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.head()

• (2) 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'])
#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.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',])
#qcut 采用分位数进行分箱
df.head()

• (4) 将上面的获得的数据分别进行保存，保存为csv格式

df.to_csv('test_pr.csv')

任务二：对文本变量进行转换

• (1) 查看文本变量名及种类

#方法一
set(df['Sex']) #set类似于字典，只有value值，不能重复
#{'female', 'male'}
#方法二
df['Sex'].value_counts() #对df的['Sex']做统计
'''male      577
female    314
Name: Sex, dtype: int64'''
#方法三
df['Sex'].unique()
#array(['male', 'female'], dtype=object)
df['Sex'].nunique()
#2

• (2）将文本变量Sex，Cabin，Embarked用数值变量12345表示

#将类别文本转换为12345
df['sex_num'] = df['Sex'].map(lambda x: 1 if x== 'female' else 2)
#df['Sex_num'] = df['Sex'].replace(['male', 'female'], [1, 2])
#df['Sex_num'] = df['Sex'].map({'male': 1, 'female': 2})

#方法三 采用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 + '_lableEncode'] = df[feat].map(label_dict)
    df[feat + '_lableEncode'] = lbl.fit_transform(df[feat].astype(str))  #自动训练并分配各个类别

#将文本变量Sex， Cabin， Embarked用one-hot编码表示
#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)
    df = pd.concat([df, x], axis = 1) #纵向链接
df.head()

任务三（附加）：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['Name'].str.extract('([A-Za-z]+)\.',expand=False)
#使用pandas的str.extract()方法可以使用正则表达式匹配字符串
#'([A-Za-z]+)\.'中()表示字符串的起止位置;[A-Za-z]匹配任意一个大小写字母，+号代表前面匹配的[A-Za-z]至少出现一次，等价于{1,};\.代表匹配'.',但.不在返回的字符串内部。该正则表达式等价于'([A-Za-z]{1,})\.'或'(\w+)\.'

# 保存上面的为最终结论
df.to_csv('test_fin.csv')