今天小編就爲大家分享一篇關於pandas數據集的端到端處理,小編覺得內容挺不錯的,現在分享給大家,具有很好的參考價值,需要的朋友一起跟隨小編來看看吧
1. 數據集基本信息
df = pd.read_csv()
df.head():前五行;
df.info():
- rangeindex:行索引;
- data columns:列索引;
- dtypes:各個列的類型,
- 主體部分是各個列值的情況,比如可判斷是否存在 NaN 值;
對於非數值型的屬性列
- df[‘some_categorical_columns'].value_counts():取值分佈;
df.describe(): 各個列的基本統計信息
- count
- mean
- std
- min/max
- 25%, 50%, 75%:分位數
df.hist(bins=50, figsize=(20, 15)):統計直方圖;
對 df 的每一列進行展示:
train_prices = pd.DataFrame({'price': train_df.SalePrice, 'log(price+1)': np.log1p(train_df.SalePrice)}) # train_prices 共兩列,一列列名爲 price,一列列名爲 log(price+1) train_prices.hist()
2. 數據集拆分
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. 數據預處理
- 一鍵把 categorical 型特徵(字符串類型)轉化爲數值型:
>> df['label'] = pd.Categorical(df['label']).codes
- 一鍵把 categorical 型特徵(字符串類型)轉化爲 one-hot 編碼:
>> df = pd.get_dummies(df)
- null 值統計與填充:
>> df.isnull().sum().sort_values(ascending=False).head() # 填充爲 mean 值 >> mean_cols = df.mean() >> df = df.fillna(mean_cols) >> df.isnull().sum().sum() 0
總結
以上就是這篇文章的全部內容了,希望本文的內容對大家的學習或者工作具有一定的參考學習價值,謝謝大家對神馬文庫的支持。如果你想了解更多相關內容請查看下面相關鏈接