一、加载数据
houseprice=pd.read_csv("../input/train.csv") #加载后放入dataframe里
all_data=pd.read_csv("a.csv", header=0,parse_dates=["time"],usecols=["time","LotArea","price"]) #可以选择加载哪几列
houseprice.head() #显示前5行数据
houseprice.info() #查看各字段的信息
houseprice.shape #查看数据集行列分布,几行几列
houseprice.describe() #查看数据的大体情况
二、分析缺失数据
houseprice.isnull() #元素级别的判断,把对应的所有元素的位置都列出来,元素为空或者NA就显示True,否则就是False
houseprice.isnull().any() #列级别的判断,只要该列有为空或者NA的元素,就为True,否则False
missing=houseprice.columns[houseprice.isnull().any()].tolist() #将为空或者NA的列找出来
houseprice[missing].isnull().sum()#将列中为空或者NA的个数统计出来
# 将某一列中缺失元素的值,用value值进行填充。处理缺失数据时,比如该列都是字符串,不是数值,可以将出现次数最多的字符串填充缺失值。def cat_imputation(column, value): houseprice.loc[houseprice[column].isnull(),column] = value
houseprice[["LotFrontage","Alley"]][houseprice["Alley"].isnull()==True] #从LotFrontage 和Alley 列中进行选择行,选择Alley中数据为空的行。主要用来看两个列的关联程度,是不是大多同时为空。
houseprice["Fireplaces"][houseprice["FireplaceQu"].isnull()==True].describe() #对筛选出来的数据做一个描述,比如一共多少行,均值、方差、最小值、最大值等等。
三、统计分析 houseprice["MSSubClass"].value_counts() #统计某一列中各个元素值出现的次数
print("Skewness: %f" % houseprice["MSSubClass"].skew()) #列出数据的偏斜度
print("Kurtosis: %f" % houseprice["MSSubClass"].kurt()) #列出数据的峰度
houseprice["LotFrontage"].corr(houseprice["LotArea"]) #计算两个列的相关度
houseprice["SqrtLotArea"]=np.sqrt(houseprice["LotArea"]) #将列的数值求根,并赋予一个新列
houseprice[["MSSubClass", "LotFrontage"]].groupby(["MSSubClass"], as_index=False).mean() #跟MSSubClass进行分组,并求分组后的平均值
四、数据处理
1)删除相关
del houseprice["SqrtLotArea"] #删除列
houseprice["LotFrontage"].dropna() #去掉为空值或者NA的元素
houseprice.drop(["Alley"],axis=1) #去掉Alley列,不管空值与否
df.drop(df.columns[[0,1]],axis=1,inplace=True) #删除第1,2列,inplace=True表示直接就在内存中替换了,不用二次赋值生效。
houseprice.dropna(axis=0) #删除带有空值的行
houseprice.dropna(axis=1) #删除带有空值的列
2)缺失值填充处理
houseprice["LotFrontage"]=houseprice["LotFrontage"].fillna(0) #将该列中的空值或者NA填充为0
all_data.product_type[all_data.product_type.isnull()]=all_data.product_type.dropna().mode().values #如果该列是字符串的,就将该列中出现次数最多的字符串赋予空值,mode()函数就是取出现次数最多的元素。
houseprice["LotFrontage"].fillna(method="pad") #使用前一个数值替代空值或者NA,就是NA前面最近的非空数值替换
houseprice["LotFrontage"].fillna(method="bfill",limit=1)#使用后一个数值替代空值或者NA,limit=1就是限制如果几个连续的空值,只能最近的一个空值可以被填充。
houseprice["LotFrontage"].fillna(houseprice["LotFrontage"].mean()) #使用平均值进行填充
houseprice["LotFrontage"].interpolate() # 使用插值来估计NaN 如果index是数字,可以设置参数method="value" ,如果是时间,可以设置method="time"
houseprice= houseprice.fillna(houseprice.mean()) #将缺失值全部用该列的平均值代替,这个时候一般已经提前将字符串特征转换成了数值。
注:在kaggle中有人这样处理缺失数据,如果数据的缺失达到15%,且并没有发现该变量有多大作用,就删除该变量!
3)字符串替换houseprice["MSZoning"]=houseprice["MSZoning"].map({"RL":1,"RM":2,"RR":3,}).astype(int) #将MSZoning中的字符串变成对应的数字表示
4)数据连接
merge_data=pd.concat([new_train,df_test]) #讲训练数据与测试数据连接起来,以便一起进行数据清洗
all_data = pd.concat((train.loc[:,"MSSubClass":"SaleCondition"], test.loc[:,"MSSubClass":"SaleCondition"])) #另一种合并方式,按列名字进行合并。
res = pd.merge(df1, df2,on=["time"]) #将df1,df2按照time字段进行合并,两个df中都含有time字段
5)数据保存
merge_data.to_csv("merge_data.csv",index=False) #index=False,写入的时候不写入列的索引序号
6)数据转换
houseprice["Alley"] = np.log1p(houseprice["Alley"]) #采用log(1+x)方式对原数据进行处理,改变原数据的偏斜度,使数据更加符合正态曲线分布。
numeric_feats =houseprice.dtypes[houseprice.dtypes != "object"].index #把内容为数值的特征列找出来
#下面几行代码将偏斜度大于0.75的数值列做一个log转换,使之尽量符合正态分布,因为很多模型的假设数据是服从正态分布的skewed_feats = train[numeric_feats].apply(lambda x: skew(x.dropna())) #compute skewnessskewed_feats = skewed_feats[skewed_feats > 0.75]skewed_feats = skewed_feats.indexall_data[skewed_feats] = np.log1p(all_data[skewed_feats]) houseprice= pd.get_dummies(houseprice) #另外一种形式数据转换,将字符串特征列中的内容分别提出来作为新的特征出现,这样就省去了将字符串内容转化为数值特征内容的步骤了。
6)数据标准化
我们都知道大多数的梯度方法(几乎所有的机器学习算法都基于此)对于数据的缩放很敏感。因此,在运行算法之前,我们应该进行标准化,或所谓的规格化。标准化包括替换所有特征的名义值,让它们每一个的值在0和1之间。而对于规格化,它包括数据的预处理,使得每个特征的值有0和1的离差。Scikit-Learn库已经为其提供了相应的函数。
fromsklearnimportpreprocessing
# normalize the data attributes
normalized_X=preprocessing.normalize(X)
# standardize the data attributes
standardized_X=preprocessing.scale(X)