数据预处理 #数据挖掘 #python

数据分析中的预处理步骤是数据分析流程中的重要环节,它的目的是清洗、转换和整理原始数据,以便后续的分析能够准确、有效。预处理通常包括以下几个关键步骤:

  1. 数据收集:确定数据来源,可能是数据库、文件、API或网络抓取,确保数据的质量和完整性。

  2. 数据清洗(Data Cleaning)

    • 缺失值处理:填充、删除或估算缺失的数据。
    • 异常值检测:识别并可能修复或排除不合理的数值。
    • 重复值检查:删除重复记录,保持数据唯一性。
    • 数据类型转换:将数据调整为正确的格式,如日期时间格式化、数值类型等。
  3. 数据集成(Data Integration):如果数据来自多个源,需要合并和统一数据格式。

  4. 数据转换(Data Transformation)

    • 标准化或归一化:使数据具有可比性,例如Z-score标准化或Min-Max缩放。
    • 编码分类变量:如One-Hot Encoding或Label Encoding。
    • 特征工程:创建新的特征,比如从文本中提取关键词或计算衍生指标。
  5. 数据降维(Dimensionality Reduction):如果数据维度过高,可能使用PCA(主成分分析)或LDA(潜在狄利克雷分配)等方法减少冗余。

  6. 数据划分(Data Splitting):将数据集分为训练集、验证集和测试集,用于模型的训练和评估。

  7. 数据采样(Sampling):对于大规模数据,可能需要进行随机抽样或分层抽样以平衡类别分布。

  8. 数据可视化(Exploratory Data Analysis, EDA):初步了解数据的分布、关联性和模式。

完成这些预处理步骤后,数据就准备好了供机器学习模型进行训练和预测。预处理的质量直接影响到分析结果的可靠性。


接下来进行一个小小案例讲解:

  • 1、缺失值处理
python 复制代码
#1、
#读取数据
import pandas as pd
data = pd.read_excel('学生信息表.xlsx')
#查看属性缺失值情况
data.info()
data.isnull()
#删除"籍贯"为空的行
data = data.dropna(subset=["籍贯"])
#使用平均年龄填充"年龄"属性为空的数据
data['年龄'].fillna(data['年龄'].mean(),inplace=True)
#使用性别的众数填充"性别"属性为空的列
data.fillna({'性别':data['性别'].mode()[0]},inplace=True)
  • (1)读取"学生信息表.xlsx"。

  • (2)使用info()方法查看每一属性的缺失值情况。

  • (3)删除"籍贯"属性为空的行。

  • (4)使用平均年龄填充"年龄"属性为空的数据。

  • (5)使用性别的众数填充"性别"属性为空的列。

  • 2、非数值数据处理

python 复制代码
#2、
#将"性别"属性设置为哑变量,删除"性别_女",并将"性别_男"改为"性别"
data = pd.get_dummies(data,columns=['性别'])
data = data.drop(columns = '性别_女')
data = data.rename(columns={'性别_男':'性别'})
#对"籍贯"属性进行编号处理
from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
label = le.fit_transform(data['籍贯'])
data['籍贯'] = label
  • (1)将"性别"属性设置为哑变量,删除"性别_女",并将"性别_男"改为"性别"。

  • (1为性别男,0为性别女)

  • (2)对"籍贯"属性进行编号处理。

  • (0为云南;1为江苏;2为浙江;3为湖北)

  • 3、异常值的处理

python 复制代码
#3、
#箱线图观察"年龄"属性有无异常值
data.boxplot(column ='年龄' )
#对异常值进行标注,标注在out1属性中
import numpy as np
data['out1'] = np.where(data['年龄'] < 30,0,1)
#使用2倍标准差法标注异常值,标注在out2属性中
data['out2'] = abs((data['年龄']-data['年龄'].mean())/data['年龄'].std()) > 2
  • (1)箱线图观察"年龄"属性有无异常值;

  • (2)对异常值进行标注,标注在out1属性中;

  • (3)使用2倍标准差法标注异常值,标注在out2属性中。

  • 4、数据标准化
python 复制代码
#4、
#生成数据
data2 = pd.DataFrame({'酒精含量(%)': [50, 60, 40, 80, 90], '苹果酸含量(%)': [2, 1, 1, 3, 2]})
print(data2)
#对各列进行z-score标准化
from sklearn.preprocessing import StandardScaler
data2_new1 = StandardScaler().fit_transform(data2)
print(data2_new1)
#对各列进行min-max标准化
from sklearn.preprocessing import MinMaxScaler
data2_new2 = MinMaxScaler().fit_transform(data2)
print(data2_new2)
  • 如下数据:

  • (1)对以上数据的各列进行z-score标准化;

  • (2)对以上数据的各列进行min-max标准化。

  • 5、生成多项式特征
python 复制代码
#5、
#生成多项式特征
from sklearn.preprocessing import PolynomialFeatures
data3 = np.array([[2,3],[2,4]])
print(data3)
pf1=PolynomialFeatures(degree=2)
print(pf1.fit_transform(data3))
pf2=PolynomialFeatures(degree=2,include_bias=False)
print(pf2.fit_transform(data3))
pf3=PolynomialFeatures(degree=2,include_bias=False,interaction_only=True)
print(pf3.fit_transform(data3))
  • 现在有(a,b)两个特征,生成二次多项式则为(1,a, b , ab, a^2, b^2),并用以下数据做测试:data3:

pf1:

pf2:

pf3:

相关推荐
蒋星熠1 天前
深度学习实战指南:从神经网络基础到模型优化的完整攻略
人工智能·python·深度学习·神经网络·机器学习·卷积神经网络·transformer
万粉变现经纪人1 天前
如何解决pip安装报错ModuleNotFoundError: No module named ‘cuml’问题
python·scrapy·beautifulsoup·pandas·ai编程·pip·scipy
IT学长编程1 天前
计算机毕业设计 基于Hadoop豆瓣电影数据可视化分析设计与实现 Python 大数据毕业设计 Hadoop毕业设计选题【附源码+文档报告+安装调试
大数据·hadoop·python·django·毕业设计·毕业论文·豆瓣电影数据可视化分析
java1234_小锋1 天前
Scikit-learn Python机器学习 - 分类算法 - K-近邻(KNN)算法
python·算法·机器学习
数据牧羊人的成长笔记1 天前
数据分析需要掌握的数学知识(易理解)
数学建模·数据分析
victory04311 天前
wav2vec微调进行疾病语音分类任务
人工智能·分类·数据挖掘
大翻哥哥1 天前
Python上下文管理器进阶指南:不仅仅是with语句
前端·javascript·python
QiZhang | UESTC1 天前
JAVA算法练习题day11
java·开发语言·python·算法·hot100
PyHaVolask1 天前
Python进阶教程:随机数、正则表达式与异常处理
python·正则表达式·异常处理·随机数生成
折翼的恶魔1 天前
数据分析:合并二
python·数据分析·pandas