Task 2 组队学习之数据清洗及特征处理

第二章：数据清洗及特征处理

我们拿到的数据通常是不干净的，所谓的不干净，就是数据中有缺失值，有一些异常点等，需要经过一定的处理才能继续做后面的分析或建模，所以拿到数据的第一步是进行数据清洗，本章我们将学习缺失值、重复值、字符串和数据转换等操作，将数据清洗成可以分析或建模的亚子

2.1 缺失值观察与处理

我们拿到的数据经常会有很多缺失值，比如我们可以看到Cabin列存在NaN，那其他列还有没有缺失值，这些缺失值要怎么处理呢

2.1.1 任务一：缺失值观察

请查看每个特征缺失值个数
方法一:

 Train_data.info()

我们可以看到每列应该有891个数据，可以看到Age,Cabin,Embarked列存在缺失值

方法二:

 Train_data.isnull().sum() #可以统计出每列缺失的值

2.1.2 任务二：对缺失值进行处理

(1)处理缺失值一般有几种思路
–删除，补全
(2) 请尝试对Age列的数据的缺失值进行处理
(3) 请尝试使用不同的方法直接对整张表的缺失值进行处理

法一：（不推荐）

Train_data[Train_data['Age']==np.NAN]=0 # 将缺失值置为0
Train_data.head(5) 

法二：使用dropna和fillna（常用）


dropna函数参数：

（1）axis参数：默认情况为行，axis=1表示列

（2）how参数–可取值any或all，表示全为缺失去除和存在缺失去除

fillna函数参数：

（1）value:填充的值

（2）method:填充方法，如果没有参数，默认是ffill (向前填充)。 method=bfill 表示向后填充

（3）axis:需要填充的轴，默认axis=0,竖直方向填充

（4）inplace:修改被调用的对象

2.2 重复值观察与处理

2.2.1 任务一：请查看数据中的重复值(使用duplicated)

Train_data[Train_data.duplicated()]

2.2.2 任务二：对重复值进行处理

使用drop_duplicates()

2.2.3 任务三：将前面清洗的数据保存为csv格式

2.3 特征观察与处理

我们对特征进行一下观察，可以把特征大概分为两大类：
数值型特征：Survived ，Pclass， Age ，SibSp， Parch， Fare，其中Survived， Pclass为离散型数值特征，Age，SibSp， Parch， Fare为连续型数值特征

文本型特征：Name， Sex， Cabin，Embarked， Ticket，其中Sex， Cabin， Embarked， Ticket为类别型文本特征ÿ