pandas数据集的端到端处理

(编辑：jimmy 日期: 2024/5/9 浏览：3 次 )

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，谢谢大家对的支持。如果你想了解更多相关内容请查看下面相关链接

上一篇：python利用跳板机ssh远程连接redis的方法
下一篇：Python获取Redis所有Key以及内容的方法