对pandas进行数据预处理的实例讲解

技术  /  管理员 发布于 7年前   372

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

import pandas as pdimport numpy as nptrain_df =pd.read_csv('../datas/train.csv') # train settest_df = pd.read_csv('../datas/test.csv') # test setcombine = [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print train_df.head(5) #查看每列数据类型以及nan情况print train_df.info() # 获得所有object属性print train_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print train_df.describe() #查看object属性数据统计情况print train_df.describe(include=['O']) # 统计Title单列各个元素对应的个数print train_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print df4.dropna(axis=0,subset=['col1']) # 丢弃nan的行,subset指定查看哪几列 print df4.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

print train_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]) print s1 dates = pd.date_range(“20130101”,periods=6) print dates df = pd.DataFrame(np.random.rand(6,4),index=dates,columns=list(“ABCD”)) # print df 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' }) # print df2.dtypes

df3 = pd.DataFrame({'col1':s1,     'col2':s2})print df3'''2.查看df数据'''print df3.head(2) #查看头几条print df3.tail(3) #查看尾几条print df.index #查看索引print df.info() #查看非non数据条数print type(df.values) #返回二元数组# print df3.valuesprint df.describe() #对每列数据进行初步的统计print df3print df3.sort_values(by=['col1'],axis=0,ascending=True) #按照哪几列排序'''3.选择数据'''ser_1 = df3['col1']print type(ser_1) #pandas.core.series.Seriesprint df3[0:2] #前三行print df3.loc[df3.index[0]] #通过index来访问print df3.loc[df3.index[0],['col2']] #通过行index，和列名来唯一确定一个位置print df3.iloc[1] #通过位置来访问print df3.iloc[[1,2],1:2] #通过位置来访问print "==="print df3.loc[:,['col1','col2']].as_matrix() # 返回nunpy二元数组print type(df3.loc[:,['col1','col2']].as_matrix())'''4.布尔索引，过滤数据'''print df3[df3.col1 >2]df4 = df3.copy()df4['col3']=pd.Series(['one','two','two','three','one','two'])print df4print df4[df4['col3'].isin(['one','two'])]df4.loc[:,'col3']="five"print df4'''5.缺失值处理，pandas将缺失值用nan代替'''print pd.isnull(df4)print df4.dropna(axis=0,subset=['col1']) # 丢弃nan的行,subset指定查看哪几列print df4.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。