数据预处理

目录

• 数据引入
• 查看数据信息
  • DataFrame的基础属性
  • pd.value_counts 查看数值各有多少个
• 数据不均衡
• 缺失值
• 异常值
• 大量数据
• One-Hot 独热编码
• 归一化 & 标准化
• 其他常用代码
  • rdd 中忽略第一行
  • 取出特征数据
  • 数据集切分

---

• 查看数据信息
• 数据异常
• 空数据
• 数据不均衡
• 数据归一化
• 大量数据

---

预处理方法

• 数据的归一化

---

数据引入

• csv
• html, html、sax、dom 解析器
• xml
• databases，pyodbc
• json
• pdf， pdfminer

---

查看数据信息

DataFrame的基础属性

DataFrame的基础属性

df.shape ——行数 列数
df.dtypes——列数据类型
df.ndim ——数据维度
df.index——行索引
df.columns——列索引
df.values——对象值，二维ndarray数组

---

DataFrame 整体情况

df.head(10)——显示前10行，默认是5行
df.tail()——显示末尾几行，默认是5
df.info()——相关系数，如行数，列数，列索引、列非空值个数，列类型，内存占用
df.describe()——快速统计结果，计数、均值、标准差、最大值、四分数、最小值

data.info() 
'''
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3463 entries, 0 to 3462
Data columns (total 20 columns):
 #   Column         Non-Null Count  Dtype  
---  ------         --------------  -----  
 0   subscriberID   3463 non-null   float64
 1   churn          3463 non-null   float64
 2   gender         3463 non-null   float64
 3   AGE            3463 non-null   float64
 4   edu_class      3463 non-null   float64
 5   incomeCode     3463 non-null   float64
 6   duration       3463 non-null   float64
 7   feton          3463 non-null   float64
 8   peakMinAv      3463 non-null   float64
 9   peakMinDiff    3463 non-null   float64
 10  posTrend       3463 non-null   float64
...
dtypes: float64(20)
memory usage: 541.2 KB
'''

data.describe()

	subscriberID	churn	gender	AGE	edu_class
count	3.463000e+03	3463.000000	3463.000000	3463.000000	3463.000000
mean	7.462747e+07	0.442969	0.497834	30.677447	0.953797
std	2.117726e+06	0.496808	0.500068	14.037055	0.860355
min	1.916496e+07	0.000000	0.000000	9.000000	0.000000
25%	7.480676e+07	0.000000	0.000000	18.000000	0.000000
50%	7.488497e+07	0.000000	0.000000	28.000000	1.000000

---

pd.value_counts 查看数值各有多少个

count_classes = pd.value_counts(data['Class'], sort = True).sort_index()

---

数据不均衡

---

缺失值

1. 删除数据
2. 填充为 中位数、众数、平均数

---

异常值

四分位法，识别离群点

---

大量数据

降低数据类型

int64 -> int32

---

One-Hot 独热编码

将文本分类数据转化 数值

---

归一化 & 标准化

---

其他常用代码

rdd 中忽略第一行

headers = data1.first()
data2 = data1.filter(lambda line:line != headers)
data2.take(4)

---

取出特征数据

X = hdata.loc[:,:'cnt']
y = hour['cnt']

---

数据集切分

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y)