摘要：引入包和加載數據清洗數據查看數據維度以及類型缺失值處理查看數據統計信息數值屬性離散化計算特征與屬性之間關系查看數據維度以及類型查看前五條數據查看每列數據類型以及情況獲得所有屬性查看數據統計信息查看連續數值屬性基本統計情況查看屬性數據統計情況

引入包和加載數據

1
2
3
4
5
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

1
2
3
4
5
6

print train_df.head(5)

print train_df.info()

print train_data.describe(include=["O"]).columns
查看object數據統計信息
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98

print train_df.describe()

print train_df.describe(include=["O"])

print train_df["Title"].value_counts()

train_df = train_df.drop(["Name", "PassengerId"], axis=1)
缺失值處理

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

dataset["Cabin"] = dataset["Cabin"].fillna("U")
dataset["Title"] = dataset["Title"].fillna(0)

freq_port = train_df.Embarked.dropna().mode()[0]
dataset["Embarked"] = dataset["Embarked"].fillna(freq_port)

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

train_df["FareBand"] = pd.qcut(train_df["Fare"], 4)

train_df[["FareBand", "Survived"]].groupby(["FareBand"], as_index=False).mean().sort_values(by="FareBand", ascending=True)

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”))

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"
})

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 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