pandas数据集的端到端处理


						1. 数据集基本信息

df = pd.read_csv()

df.head()：前五行；

df.info()：



  rangeindex：行索引；

  data columns：列索引；

  dtypes：各个列的类型，

  主体部分是各个列值的情况，比如可判断是否存在 NaN 值；



对于非数值型的属性列



  df[‘some_categorical_columns'].value_counts()：取值分布；



df.describe()： 各个列的基本统计信息



  count

  mean

  std

  min/max

  25%, 50%, 75%：分位数



df.hist(bins=50, figsize=(20, 15))：统计直方图；

对 df 的每一列进行展示：





train_prices = pd.DataFrame({'price': train_df.SalePrice, 

    'log(price+1)': np.log1p(train_df.SalePrice)})

 # train_prices 共两列，一列列名为 price，一列列名为 log(price+1)

train_prices.hist()



2. 数据集拆分





def split_train_test(data, test_ratio=.3):

 shuffled_indices = np.random.permutation(len(data))

 test_size = int(len(data)*test_ratio)

 test_indices = shuffled_indices[:test_size]

 train_indices = shuffled_indices[test_size:]

 return data.iloc[train_indices], data.iloc[test_indices]



3. 数据预处理



  一键把 categorical 型特征（字符串类型）转化为数值型：







>> df['label'] = pd.Categorical(df['label']).codes





  一键把 categorical 型特征（字符串类型）转化为 one-hot 编码：







>> df = pd.get_dummies(df)





  null 值统计与填充：







>> df.isnull().sum().sort_values(ascending=False).head()

# 填充为 mean 值

>> mean_cols = df.mean()

>> df = df.fillna(mean_cols)

>> df.isnull().sum().sum()

0



总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对中文源码网的支持。如果你想了解更多相关内容请查看下面相关链接