基於pandas進行數據預處理

很久沒用pandas，有些有點忘了，轉載一個比較完整的利用pandas進行數據預處理的博文：https://blog.csdn.net/u014400239/article/details/70846634

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().columns 

 

查看object數據統計信息

#查看連續數值屬性基本統計情況
print train_df.describe()  
#查看object屬性數據統計情況
print train_df.describe(include=['O'])  
# 統計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=0)  

Ps.原文中axis的處理是不對的，Python中axis = 0是按列處理，axis = 1 是按行處理。

 

缺失值處理

# 直接丟棄缺失數據列的行
print df4.dropna(axis=1,subset=['col1'])  # 丟棄nan的行,subset指定查看哪幾列 
print df4.dropna(axis=0)  # 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

# 創造一個新列，FareBand，將連續屬性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，或者分別條形統計圖
• 連續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