数据建模（1）-数据预处理

1.缺失值处理

1）概念

数据缺失主要包括记录缺失和字段信息缺失等情况，其对数据分析会有较大影响，导致结果不确定性更加显著

2）处理方法

缺失值的处理：删除记录 / 数据插补 / 不处理

3）缺失值分析及处理

A：缺失值判断

# 判断是否有缺失值数据 - isnull，notnull

# isnull：缺失值为True，非缺失值为False

# notnull：缺失值为False，非缺失值为True

import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy import stats % matplotlib inline # 创建数据
s = pd.Series([12,33,45,23,np.nan,np.nan,66,54,np.nan,99]) df = pd.DataFrame({'value1':[12,33,45,23,np.nan,np.nan,66,54,np.nan,99,190], 'value2':['a','b','c','d','e',np.nan,np.nan,'f','g',np.nan,'g']}) print(s.isnull())  # Series直接判断是否是缺失值，返回一个Series
print(df.notnull())  # Dataframe直接判断是否是缺失值，返回一个Series
print(df['value1'].notnull())  # 通过索引判断
print('------') # 筛选非缺失值
s2 = s[s.isnull() == False] df2 = df[df['value2'].notnull()]    # 注意和 df2 = df[df['value2'].notnull()] ['value1'] 的区别
print(s2) print(df2)

B：缺失值删除

# 删除缺失值 - dropna
 s = pd.Series([12,33,45,23,np.nan,np.nan,66,54,np.nan,99]) df = pd.DataFrame({'value1':[12,33,45,23,np.nan,np.nan,66,54,np.nan,99,190], 'value2':['a','b','c','d','e',np.nan,np.nan,'f','g',np.nan,'g']}) # 创建数据
 s.dropna(inplace = True) df2 = df['value1'].dropna() print(s) print(df2) # drop方法：可直接用于Series，Dataframe # 注意inplace参数，默认False → 生成新的值

C：缺失值替换

import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy import stats % matplotlib inline # 填充/替换缺失数据 - fillna、replace
 s = pd.Series([12,33,45,23,np.nan,np.nan,66,54,np.nan,99]) df = pd.DataFrame({'value1':[12,33,45,23,np.nan,np.nan,66,54,np.nan,99,190], 'value2':['a','b','c','d','e',np.nan,np.nan,'f','g',np.nan,'g']}) # 创建数据
 s.fillna(0,inplace = True) print(s) print('------') # s.fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) # value：填充值 # 注意inplace参数
 df['value1'].fillna(method = 'pad',inplace = True) print(df) print('------') # method参数： # pad / ffill → 用之前的数据填充  # backfill / bfill → 用之后的数据填充 
 s = pd.Series([1,1,1,1,2,2,2,3,4,5,np.nan,np.nan,66,54,np.nan,99]) s.replace(np.nan,'缺失数据',inplace = True) print(s) print('------') # df.replace(to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) # to_replace → 被替换的值 # value → 替换值
 s.replace([1,2,3],np.nan,inplace = True) print(s) # 多值用np.nan代替

D：缺失值插补（上）

# 缺失值插补 # 几种思路：均值/中位数/众数插补、临近值插补、插值法 # （1）均值/中位数/众数插补
 s = pd.Series([1,2,3,np.nan,3,4,5,5,5,5,np.nan,np.nan,6,6,7,12,2,np.nan,3,4]) #print(s)
print('------') # 创建数据
 u = s.mean()     # 均值
me = s.median()  # 中位数
mod = s.mode()   # 众数
print('均值为：%.2f, 中位数为：%.2f' % (u,me)) print('众数为：', mod.tolist()) print('------') # 分别求出均值/中位数/众数
 s.fillna(u,inplace = True) print(s) # 用均值填补

E：缺失值插补（中）

# 缺失值插补 # 几种思路：均值/中位数/众数插补、临近值插补、插值法 # （2）临近值插补
 s = pd.Series([1,2,3,np.nan,3,4,5,5,5,5,np.nan,np.nan,6,6,7,12,2,np.nan,3,4]) #print(s)
print('------') # 创建数据
 s.fillna(method = 'ffill',inplace = True) print(s) # 用前值插补

F：缺失值插补（下）

# 缺失值插补 # 几种思路：均值/中位数/众数插补、临近值插补、插值法 # （3）插值法 —— 拉格朗日插值法，实际运用
 data = pd.Series(np.random.rand(100)*100) data[3,6,33,56,45,66,67,80,90] = np.nan print(data.head()) print('总数据量:%i' % len(data)) print('------') # 创建数据
 data_na = data[data.isnull()] print('缺失值数据量:%i' % len(data_na)) print('缺失数据占比:%.2f%%' % (len(data_na) / len(data) * 100)) # 缺失值的数量
 data_c = data.fillna(data.median())  # 中位数填充缺失值
fig,axes = plt.subplots(1,4,figsize = (20,5)) data.plot.box(ax = axes[0],grid = True,title = '数据分布') data.plot(kind = 'kde',style = '--r',ax = axes[1],grid = True,title = '删除缺失值',xlim = [-50,150]) data_c.plot(kind = 'kde',style = '--b',ax = axes[2],grid = True,title = '缺失值填充中位数',xlim = [-50,150]) # 密度图查看缺失值情况

def na_c(s,n,k=5): y = s[list(range(n-k,n+1+k))] # 取数
    y = y[y.notnull()]  # 剔除空值
    return(lagrange(y.index,list(y))(n)) # 创建函数，做插值，由于数据量原因，以空值前后5个数据（共10个数据）为例做插值
 na_re = [] for i in range(len(data)): if data.isnull()[i]: data[i] = na_c(data,i) print(na_c(data,i)) na_re.append(data[i]) data.dropna(inplace=True)  # 清除插值后仍存在的缺失值
data.plot(kind = 'kde',style = '--k',ax = axes[3],grid = True,title = '拉格朗日插值后',xlim = [-50,150]) print('finished!') # 缺失值插值

2.异常值处理

1）概念

异常值是指样本中的个别值，其数值明显偏离其余的观测值。
异常值也称离群点，异常值的分析也称为离群点的分析

2）处理方法

异常值分析 → 3σ原则 / 箱型图分析
异常值处理方法 → 删除 / 修正填补

3）异常值分析及处理

A：3σ原则

如果数据服从正态分布，异常值被定义为一组测定值中与平均值的偏差超过3倍的值 → p(|x - μ| > 3σ) ≤ 0.003

import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy import stats % matplotlib inline # 创建数据
data = pd.Series(np.random.randn(10000)*100) # 计算均值、标准差
u = data.mean() std = data.std() # 正态性检验
stats.kstest(data, 'norm', (u, std)) print('均值为：%.3f，标准差为：%.3f' % (u,std)) # 绘制数据密度曲线
fig = plt.figure(figsize = (10,6)) ax1 = fig.add_subplot(2,1,1) data.plot(kind = 'kde',grid = True,style = '-k',title = '密度曲线') plt.axvline(3*std,hold=None,color='r',linestyle="--",alpha=0.8) plt.axvline(-3*std,hold=None,color='r',linestyle="--",alpha=0.8) # 筛选出异常值error、剔除异常值之后的数据data_c
ax2 = fig.add_subplot(2,1,2) error = data[np.abs(data - u) > 3*std] data_c = data[np.abs(data - u) <= 3*std] print('异常值共%i条' % len(error)) # 图表表达
plt.scatter(data_c.index,data_c,color = 'k',marker='.',alpha = 0.3) plt.scatter(error.index,error,color = 'r',marker='.',alpha = 0.5) plt.xlim([-10,10010]) plt.grid()

B：箱型图分析

import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy import stats % matplotlib inline # 箱型图看数据分布情况 # 以内限为界
fig = plt.figure(figsize = (10,6)) ax1 = fig.add_subplot(2,1,1) color = dict(boxes='DarkGreen', whiskers='DarkOrange', medians='DarkBlue', caps='Gray') data.plot.box(vert=False, grid = True,color = color,ax = ax1,label = '样本数据') # 基本统计量
s = data.describe() print(s) # 计算分位差
q1 = s['25%'] q3 = s['75%'] iqr = q3 - q1 mi = q1 - 1.5*iqr ma = q3 + 1.5*iqr print('分位差为：%.3f，下限为：%.3f，上限为：%.3f' % (iqr,mi,ma)) # 筛选出异常值error、剔除异常值之后的数据data_c
ax2 = fig.add_subplot(2,1,2) error = data[(data < mi) | (data > ma)] data_c = data[(data >= mi) & (data <= ma)] print('异常值共%i条' % len(error)) # 图表表达
plt.scatter(data_c.index,data_c,color = 'k',marker='.',alpha = 0.3) plt.scatter(error.index,error,color = 'r',marker='.',alpha = 0.5) plt.xlim([-10,10010]) plt.grid()

3.数据归一化

1）概念

数据的标准化（normalization）是将数据按比例缩放，使之落入一个小的特定区间。
在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权

2）处理方法

最典型的就是数据的归一化处理，即将数据统一映射到[0,1]区间上

0-1标准化 / Z-score标准化

3）归一化分析及处理

A：0-1标准化

# 将数据的最大最小值记录下来，并通过Max-Min作为基数（即Min=0，Max=1）进行数据的归一化处理
# x = (x - Min) / (Max - Min)

import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy import stats % matplotlib inline # 创建数据
df = pd.DataFrame({"value1":np.random.rand(10)*20, 'value2':np.random.rand(10)*100}) print(df.head()) # 创建函数，标准化数据
def data_norm(df,*cols): df_n = df.copy() for col in cols: ma = df_n[col].max() mi = df_n[col].min() df_n[col + '_n'] = (df_n[col] - mi) / (ma - mi) return(df_n) # 标准化数据
df_n = data_norm(df,'value1','value2') print(df_n.head())

B：Z-score标准化
# Z分数（z-score）,是一个分数与平均数的差再除以标准差的过程 → z=(x-μ)/σ，其中x为某一具体分数，μ为平均数，σ为标准差
# Z值的量代表着原始分数和母体平均值之间的距离，是以标准差为单位计算。在原始分数低于平均值时Z则为负数，反之则为正数
# 数学意义：一个给定分数距离平均数多少个标准差?

import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy import stats % matplotlib inline # 创建数据
df = pd.DataFrame({"value1":np.random.rand(10) * 100, 'value2':np.random.rand(10) * 100}) print(df.head()) print('------') # 创建函数，标准化数据
def data_Znorm(df, *cols): df_n = df.copy() for col in cols: u = df_n[col].mean() std = df_n[col].std() df_n[col + '_Zn'] = (df_n[col] - u) / std return(df_n) # 标准化数据 # 经过处理的数据符合标准正态分布，即均值为0，标准差为1
df_z = data_Znorm(df,'value1','value2') u_z = df_z['value1_Zn'].mean() std_z = df_z['value1_Zn'].std() print(df_z) print('标准化后value1的均值为:%.2f, 标准差为：%.2f' % (u_z, std_z)) # 什么情况用Z-score标准化： # 在分类、聚类算法中，需要使用距离来度量相似性的时候，Z-score表现更好

4.数据连续属性离散化

1）概念

数据连续属性离散化

连续属性变换成分类属性，即连续属性离散化
在数值的取值范围内设定若干个离散划分点，将取值范围划分为一些离散化的区间，最后用不同的符号或整数值代表每个子区间中的数据值

2）处理方法

等宽法 / 等频法

3）数据连续离散化分析及处理

A：等宽法

# 将数据均匀划分成n等份，每份的间距相等
# cut方法

import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy import stats % matplotlib inline # 有一组人员年龄数据，希望将这些数据划分为“18到25”,“26到35”,“36到60”,“60以上”几个面元
ages=[20,22,25,27,21,23,37,31,61,45,41,32] # 返回的是一个特殊的Categorical对象 → 一组表示面元名称的字符串
bins = [18,25,35,60,100] cats = pd.cut(ages,bins) print(cats) print(type(cats)) # cut结果含有一个表示不同分类名称的层级数组以及一个年龄数据进行标号的代号属性
print(cats.codes, type(cats.codes))  # 0-3对应分组后的四个区间，用代号来注释数据对应区间，结果为ndarray
print(cats.categories, type(cats.categories))  # 四个区间，结果为index
print(pd.value_counts(cats))  # 按照区间计数

# 通过right函数修改闭端，默认为True
print(pd.cut(ages,[18,26,36,61,100],right=False)) print('-------') # 可以设置自己的区间名称，用labels参数
group_names=['Youth','YoungAdult','MiddleAged','Senior'] print(pd.cut(ages,bins,labels=group_names)) print('-------') # 对一个Dataframe数据进行离散化，并计算各个区间的数据计数
df = pd.DataFrame({'ages':ages}) group_names=['Youth','YoungAdult','MiddleAged','Senior'] s = pd.cut(df['ages'],bins)  # 也可以 pd.cut(df['ages'],5),将数据等分为5份
df['label'] = s cut_counts = s.value_counts(sort=False) print(df) print(cut_counts) # 用散点图表示，其中颜色按照codes分类 # 注意codes是来自于Categorical对象
plt.scatter(df.index,df['ages'],cmap = 'Reds',c = cats.codes) plt.grid()

B：等频法

# 以相同数量的记录放进每个区间
# qcut方法

import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy import stats % matplotlib inline # qcut → 根据样本分位数对数据进行面元划分，得到大小基本相等的面元，但并不能保证每个面元含有相同数据个数 # 也可以设置自定义的分位数（0到1之间的数值，包含端点） → pd.qcut(data1,[0,0.1,0.5,0.9,1])
data = np.random.randn(1000) s = pd.Series(data) cats = pd.qcut(s,4)  # 按四分位数进行切割，可以试试 pd.qcut(data,10)
print(cats.head()) print(pd.value_counts(cats)) # 用散点图表示，其中颜色按照codes分类 # 注意codes是来自于Categorical对象
plt.scatter(s.index,s,cmap = 'Greens',c = pd.qcut(data,4).codes) plt.xlim([0,1000]) plt.grid()

 

 

 

 

# 判断是否有缺失值数据 - isnull，notnull# isnull：缺失值为True，非缺失值为False# notnull：缺失值为False，非缺失值为True
s = pd.Series([12,33,45,23,np.nan,np.nan,66,54,np.nan,99])df = pd.DataFrame({'value1':[12,33,45,23,np.nan,np.nan,66,54,np.nan,99,190],                  'value2':['a','b','c','d','e',np.nan,np.nan,'f','g',np.nan,'g']})# 创建数据
print(s.isnull())  # Series直接判断是否是缺失值，返回一个Seriesprint(df.notnull())  # Dataframe直接判断是否是缺失值，返回一个Seriesprint(df['value1'].notnull())  # 通过索引判断print('------')
s2 = s[s.isnull() == False]  df2 = df[df['value2'].notnull()]    # 注意和 df2 = df[df['value2'].notnull()] ['value1'] 的区别print(s2)print(df2)# 筛选非缺失值