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【听图阁-专注于Python设计】的支持。如果你想了解更多相关内容请查看下面相关链接