Datawhale之动手学数据分析第二章（一）_data_numerical=df[['age','distancefromhome','educa

1.数据清洗简述

1.1缺失值观察

• 方法一

• df.info()
  

• 方法二 

• df.isnull().sum()
  

1.2缺失值处理

• 方法一：删除

• 方法二：保留

 

• df['name'].fillna(0)
  

• #不用函数的保留方法 对缺失值进行0填充
  df[df['Age']==None] = 0
  df[df['Age'].isnull()] = 0
  df[df['Age'] == np.nan] = 0
  

 1.3重复值观察

df[df.duplicates()]

1.4重复值处理

df.drop_duplicates()

1.5保存清洗数据

df.to_csv('test_clear.csv')

2.特征观察与处理

2.1分箱操作

• 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], right=False, labels=[1, 2, 3, 4, 5])
  

• 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'], [0.1, 0.3, 0.5, 0.7, 0.9, 1.], labels=[1, 2, 3, 4, 5])
  

2.2对文本变量进行转换

2.2.1查看类别文本变量名及种类

• 方法一：value_counts

• df['Sex'].value_counts()
  

• 方法二：unique

• df['Sex'].unique()
  

• df['Sex'].nunique()
  

         unique():以数组形式（numpy.ndarray）返回列的所有唯一值（特征的所有唯一值）

         nunique(): Return number of unique elements in the object.即返回的是唯一值的个数

2.2.2将文本变量Sex， Cabin ，Embarked用数值变量12345表示

• 方法一：replace

• df['Sex_num'] = df['Sex'].replace(['male','female'],[1,2])
  # 适用于种类较少的
  

• 方法二：map

• df['Sex_num'] = df['Sex'].map({'male':1, 'female':2})
  #跟方法1一样，适用于种类较少的。
  

• 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))
  #这种就无所谓种类的的多少了，均适用
  

2.2.3将文本变量Sex， Cabin， Embarked用one-hot编码表示

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)
#df[feat] = pd.get_dummies(df[feat], prefix=feat)

2.3从纯文本Name特征里提取出Titles的特征

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