引入包和載入資料
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]清洗資料
檢視資料維度以及型別
缺失值處理
檢視object資料統計資訊
數值屬性離散化
計算特徵與target屬性之間關係
檢視資料維度以及型別
#檢視前五條資料 print train_df.head(5) #檢視每列資料型別以及nan情況 print train_df.info() # 獲得所有object屬性 print train_data.describe(include=['O']).columns
檢視object資料統計資訊
#檢視連續數值屬性基本統計情況
print train_df.describe()
#檢視object屬性資料統計情況
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=1)
缺失值處理
# 直接丟棄缺失資料列的行
print df4.dropna(axis=0,subset=['col1']) # 丟棄nan的行,subset指定檢視哪幾列
print df4.dropna(axis=1) # 丟棄nan的列
# 採用其他值填充
dataset['Cabin'] = dataset['Cabin'].fillna('U')
dataset['Title'] = dataset['Title'].fillna(0)
# 採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)
# 採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)
# 檢視切分後的屬性與target屬性Survive的關係
train_df[['FareBand', 'Survived']].groupby(['FareBand'], as_index=False).mean().sort_values(by='FareBand', ascending=True)
# 建立object屬性對映字典
title_mapping = {"Mr": 1, "Miss": 2, "Mrs": 3, "Master": 4, "Royalty":5, "Officer": 6}
dataset['Title'] = dataset['Title'].map(title_mapping)
計算特徵與target屬性之間關係
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，然後groupby均值，或者分別條形統計圖
連續屬性需要先切割然後再進行groupby計算，或者pearson相關係數
print train_df[['AgeBand', 'Survived']].groupby(['AgeBand'], as_index=False).mean().sort_values(by='AgeBand', ascending=True)
總結pandas基本操作
”'
建立df物件
””'
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.檢視df資料
'''
print df3.head(2) #檢視頭幾條
print df3.tail(3) #檢視尾幾條
print df.index #檢視索引
print df.info() #檢視非non資料條數
print type(df.values) #返回二元陣列
# print df3.values
print df.describe() #對每列資料進行初步的統計
print df3
print df3.sort_values(by=['col1'],axis=0,ascending=True) #按照哪幾列排序
'''
3.選擇資料
'''
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]] #透過index來訪問
print df3.loc[df3.index[0],['col2']] #透過行index，和列名來唯一確定一個位置
print df3.iloc[1] #透過位置來訪問
print df3.iloc[[1,2],1:2] #透過位置來訪問
print "==="
print df3.loc[:,['col1','col2']].as_matrix() # 返回nunpy二元陣列
print type(df3.loc[:,['col1','col2']].as_matrix())
'''
4.布林索引，過濾資料
'''
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指定檢視哪幾列
print df4.dropna(axis=1) # 丟棄nan的列