對pandas進行資料預處理的例項講解

pythontab發表於2018-04-20

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


相關文章