对pandas进行数据预处理的实例讲解

引入包和加载数据

1

2

3

4

5

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

1

2

3

4

5

6

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

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

75

76

77

78

79

80

81

82

83

84

85

86

87

88

89

90

91

92

93

94

95

96

97

98

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.values

print df.describe() #对每列数据进行初步的统计

print df3

print 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.Series

print 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 df4

print 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