共计 3298 个字符，预计需要花费 9 分钟才能阅读完成。
引入包和加载数据
12345import pandas as pdimport numpy as nptrain_df =pd.read_csv(‘../datas/train.csv’) # train settest_df = pd.read_csv(‘../datas/test.csv’) # test setcombine = [train_df, test_df]
清洗数据
查看数据维度以及类型缺失值处理查看 object 数据统计信息数值属性离散化计算特征与 target 属性之间关系
查看数据维度以及类型
123456
查看前五条数据
print train_df.head(5)
查看每列数据类型以及 nan 情况
print train_df.info()
获得所有 object 属性
print train_data.describe(include=[‘O’]).columns 查看 object 数据统计信息 1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374757677787980818283848586878889909192939495969798
查看连续数值属性基本统计情况
print train_df.describe()
查看 object 属性数据统计情况
print train_df.describe(include=[‘O’])
统计 Title 单列各个元素对应的个数
print train_df[‘Title’].value_counts()
属性列删除
train_df = train_df.drop([‘Name’, ‘PassengerId’], axis=1) 缺失值处理
直接丢弃缺失数据列的行
print df4.dropna(axis=0,subset=[‘col1’]) # 丢弃 nan 的行,subset 指定查看哪几列 print df4.dropna(axis=1) # 丢弃 nan 的列
采用其他值填充
dataset[‘Cabin’] = dataset[‘Cabin’].fillna(‘U’) dataset[‘Title’] = dataset[‘Title’].fillna(0)
采用出现最频繁的值填充
freq_port = train_df.Embarked.dropna().mode()[0]dataset[‘Embarked’] = dataset[‘Embarked’].fillna(freq_port)
采用中位数或者平均数填充
test_df[‘Fare’].fillna(test_df[‘Fare’].dropna().median(), inplace=True)test_df[‘Fare’].fillna(test_df[‘Fare’].dropna().mean(), inplace=True) 数值属性离散化，object 属性数值化
创造一个新列，FareBand，将连续属性 Fare 切分成四份
train_df[‘FareBand’] = pd.qcut(train_df[‘Fare’], 4)
查看切分后的属性与 target 属性 Survive 的关系
train_df[[‘FareBand’, ‘Survived’]].groupby([‘FareBand’], as_index=False).mean().sort_values(by=’FareBand’, ascending=True)
建立 object 属性映射字典
title_mapping = {“Mr”: 1, “Miss”: 2, “Mrs”: 3, “Master”: 4, “Royalty”:5, “Officer”: 6}dataset[‘Title’] = dataset[‘Title’].map(title_mapping) 计算特征与 target 属性之间关系 object 与连续 target 属性之间，可以 groupby 均值 object 与离散 target 属性之间，先将 target 数值化，然后 groupby 均值，或者分别条形统计图连续属性需要先切割然后再进行 groupby 计算，或者 pearson 相关系数 print train_df[[‘AgeBand’, ‘Survived’]].groupby([‘AgeBand’], as_index=False).mean().sort_values(by=’AgeBand’, ascending=True) 总结 pandas 基本操作”’ 创建 df 对象””’ 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”))
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. 查看 df 数据 ”’print df3.head(2) #查看头几条 print df3.tail(3) #查看尾几条 print df.index #查看索引 print df.info() #查看非 non 数据条数 print type(df.values) #返回二元数组
print df3.values
print df.describe() #对每列数据进行初步的统计 print df3print df3.sort_values(by=[‘col1’],axis=0,ascending=True) #按照哪几列排序 ”’3. 选择数据 ”’ser_1 = df3[‘col1’]print type(ser_1) #pandas.core.series.Seriesprint df3[0:2] #前三行 print df3.loc[df3.index[0]] #通过 index 来访问 print df3.loc[df3.index[0],[‘col2’]] #通过行 index，和列名来唯一确定一个位置 print df3.iloc[1] #通过位置来访问 print df3.iloc[[1,2],1:2] #通过位置来访问 print “===”print df3.loc[:,[‘col1′,’col2’]].as_matrix() # 返回 nunpy 二元数组 print type(df3.loc[:,[‘col1′,’col2’]].as_matrix())”’4. 布尔索引，过滤数据 ”’print df3[df3.col1 >2]df4 = df3.copy()df4[‘col3’]=pd.Series([‘one’,’two’,’two’,’three’,’one’,’two’])print df4print df4[df4[‘col3’].isin([‘one’,’two’])]df4.loc[:,’col3′]=”five”print df4”’5. 缺失值处理，pandas 将缺失值用 nan 代替 ”’print pd.isnull(df4)print df4.dropna(axis=0,subset=[‘col1’]) # 丢弃 nan 的行,subset 指定查看哪几列 print df4.dropna(axis=1) # 丢弃 nan 的列
