對pandas進行數據預處理的實例講解
參加kaggle數據挖掘比賽,就第一個賽題Titanic的數據,學習相關數據預處理以及模型建立,本博客關注基于pandas進行數據預處理過程。包括數據統(tǒng)計、數據離散化、數據關聯(lián)性分析
引入包和加載數據
import pandas as pd import numpy as np train_df =pd.read_csv('../datas/train.csv') # train set test_df = pd.read_csv('../datas/test.csv') # test set combine = [train_df, test_df]
清洗數據
查看數據維度以及類型
缺失值處理
查看object數據統(tǒng)計信息
數值屬性離散化
計算特征與target屬性之間關系
查看數據維度以及類型
#查看前五條數據 print train_df.head(5) #查看每列數據類型以及nan情況 print train_df.info() # 獲得所有object屬性 print train_data.describe(include=['O']).columns
查看object數據統(tǒng)計信息
#查看連續(xù)數值屬性基本統(tǒng)計情況 print train_df.describe() #查看object屬性數據統(tǒng)計情況 print train_df.describe(include=['O']) # 統(tǒng)計Title單列各個元素對應的個數 print train_df['Title'].value_counts() # 屬性列刪除 train_df = train_df.drop(['Name', 'PassengerId'], axis=1)
缺失值處理
# 直接丟棄缺失數據列的行 print df4.dropna(axis=0,subset=['col1']) # 丟棄nan的行,subset指定查看哪幾列 print df4.dropna(axis=1) # 丟棄nan的列 # 采用其他值填充 dataset['Cabin'] = dataset['Cabin'].fillna('U') dataset['Title'] = dataset['Title'].fillna(0) # 采用出現最頻繁的值填充 freq_port = train_df.Embarked.dropna().mode()[0] dataset['Embarked'] = dataset['Embarked'].fillna(freq_port) # 采用中位數或者平均數填充 test_df['Fare'].fillna(test_df['Fare'].dropna().median(), inplace=True) test_df['Fare'].fillna(test_df['Fare'].dropna().mean(), inplace=True)
數值屬性離散化,object屬性數值化
# 創(chuàng)造一個新列,FareBand,將連續(xù)屬性Fare切分成四份 train_df['FareBand'] = pd.qcut(train_df['Fare'], 4) # 查看切分后的屬性與target屬性Survive的關系 train_df[['FareBand', 'Survived']].groupby(['FareBand'], as_index=False).mean().sort_values(by='FareBand', ascending=True) # 建立object屬性映射字典 title_mapping = {"Mr": 1, "Miss": 2, "Mrs": 3, "Master": 4, "Royalty":5, "Officer": 6} dataset['Title'] = dataset['Title'].map(title_mapping)
計算特征與target屬性之間關系
object與連續(xù)target屬性之間,可以groupby均值
object與離散target屬性之間,先將target數值化,然后groupby均值,或者分別條形統(tǒng)計圖
連續(xù)屬性需要先切割然后再進行groupby計算,或者pearson相關系數
print train_df[['AgeBand', 'Survived']].groupby(['AgeBand'], as_index=False).mean().sort_values(by='AgeBand', ascending=True)
總結pandas基本操作
”' 創(chuàng)建df對象 ””' 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數據 ''' print df3.head(2) #查看頭幾條 print df3.tail(3) #查看尾幾條 print df.index #查看索引 print df.info() #查看非non數據條數 print type(df.values) #返回二元數組 # print df3.values print df.describe() #對每列數據進行初步的統(tǒng)計 print df3 print df3.sort_values(by=['col1'],axis=0,ascending=True) #按照哪幾列排序 ''' 3.選擇數據 ''' ser_1 = df3['col1'] print type(ser_1) #pandas.core.series.Series print df3[0:2] #前三行 print df3.loc[df3.index[0]] #通過index來訪問 print df3.loc[df3.index[0],['col2']] #通過行index,和列名來唯一確定一個位置 print df3.iloc[1] #通過位置來訪問 print df3.iloc[[1,2],1:2] #通過位置來訪問 print "===" print df3.loc[:,['col1','col2']].as_matrix() # 返回nunpy二元數組 print type(df3.loc[:,['col1','col2']].as_matrix()) ''' 4.布爾索引,過濾數據 ''' print df3[df3.col1 >2] df4 = df3.copy() df4['col3']=pd.Series(['one','two','two','three','one','two']) print df4 print df4[df4['col3'].isin(['one','two'])] df4.loc[:,'col3']="five" print df4 ''' 5.缺失值處理,pandas將缺失值用nan代替 ''' print pd.isnull(df4) print df4.dropna(axis=0,subset=['col1']) # 丟棄nan的行,subset指定查看哪幾列 print df4.dropna(axis=1) # 丟棄nan的列
以上這篇對pandas進行數據預處理的實例講解就是小編分享給大家的全部內容了,希望能給大家一個參考,也希望大家多多支持腳本之家。
相關文章
Python + OpenCV 實現LBP特征提取的示例代碼
這篇文章主要介紹了Python + OpenCV 實現LBP特征提取的示例代碼,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2019-07-07django ObjectDoesNotExist 和 DoesNotExist的用法
這篇文章主要介紹了django ObjectDoesNotExist 和 DoesNotExist的用法,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2020-07-07