数据科学科学导论——数据预处理

第一关 数据清理——查漏补缺 数据清理所需要掌握的知识点：

1.numpy库

2.pandas库

3.sklearn库

为什么要清理数据？

因为任何一组大量的数据之中，肯定存在空缺值、噪声数据，而数据清理的重点就是将这两种数据全部给清楚掉。

空缺值

在大多数时候数据并不总是完整的，例如：数据库表中，很多条记录的对应字段没有相应值，比如销售表中的顾客收入。而引起空值的原因有很多：

• 设备异常；

• 与其他已有数据不一致而被删除；

• 因为误解而没有被输入的数据；

• 在输入时，有些数据应为得不到重视而没有被输入；

• 对数据的改变没有进行日志记载。

空值一般要经过推断而补上。

一般代码格式：

#查看缺失值
import numpy as np  
import pandas as pd  
# 打开文件  
train = pd.read_csv('', na_values=['#NAME?'])  #文件存放地址
total = train.isnull().sum().sort_values(ascending=False)  
print(total)#输出缺失值在每列中的个数  
percent =(train.isnull().sum()/train.isnull().count()).sort_values(ascending=False)  
print(percent)#输出每列缺失值在总缺失值当中的百分比



#处理确实值
#一般分为三种方式去修改 
#使用出现次数最多的值填补  
train['Insulin'] = train['Insulin'].fillna(100)  


#使用中位数填补  
train['SkinThickness'] = train['SkinThickness'].fillna(train['SkinThickness'].median())  
train['BloodPressure'] = train['BloodPressure'].fillna(train['BloodPressure'].median()) 

 
#使用平均数填补  
train['BMI'] = train['BMI'].fillna(train['BMI'].mean())  
train['Glucose'] = train['Glucose'].fillna(train['Glucose'].mean())
total_after_process = train.isnull().sum().sort_values(ascending=False)  


print(total_after_process)#再次输出缺失值在每列中的个数  
percent_after_process =(train.isnull().sum()/train.isnull().count()).sort_values(ascending=False)  
print(percent_after_process)#输再次出每列缺失值在总缺失值当中的百分比

噪声处理

噪声的处理方式如下：

• 忽略元组：当类标号缺少时通常这么做（假定挖掘任务设计分类或描述），当每个属性缺少值的百分比变化很大时，它的效果非常差；

• 人工填写空缺值：工作量大，可行性低；

• 使用一个全局变量填充空缺值：比如使用 unknown 或 -∞；

• 使用属性的平均值填充空缺值；

• 使用与给定元组属同一类的所有样本的平均值；

• 使用最可能的值填充空缺值：使用像 Bayesian 公式或判定树这样的基于推断的方法。

  噪声数据

  噪声指一个测量变量中的随机错误或偏差。下列是一些引起不正确属性值的原因：

• 数据收集工具的问题；

• 数据输入错误；

• 数据传输错误；

• 技术限制；

• 命名规则的不一致。

• 重复记录；

• 不完整的数据；

• 不一致的数据。

• 规则：异常值剔除；

• 分箱（binning）：首先排序数据，并将他们分到等深的箱中然后可以按箱的平均值平滑、按箱中值平滑、按箱的边界平滑等等；

• 聚类：监测并且去除孤立点；

• 计算机和人工检查结合：计算机检测可疑数据，然后对它们进行人工判断；

• 回归：通过让数据适应回归函数来平滑数据。

通过可视化的方式查看噪声：

import matplotlib.pyplot as plt  
#噪声数据观察  
plt.scatter(x=train['Age'], y=train['Pregnancies'])  #绘制散点图
plt.xlabel('Age')  
plt.show()  
plt.ylabel('Pregnancies')  

题解：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
def student():
    train = pd.read_csv('Task1/diabetes_null.csv', na_values=['#NAME?'])
    train['Insulin'] = train['Insulin'].fillna(100)
    train['SkinThickness'] = train['SkinThickness'].fillna(train['SkinThickness'].median())
    train['BloodPressure'] = train['BloodPressure'].fillna(train['BloodPressure'].median())
    train['BMI'] = train['BMI'].fillna(train['BMI'].mean())
    train['Glucose'] = train['Glucose'].fillna(train['Glucose'].mean())
    #********* Begin *********#
    train.sort_values(by='Age', ascending=False)[:1]  
    train = train.drop((train[train['Age'] >= 80]).index)
    plt.figure(figsize=(10, 10))  
    plt.scatter(x=train['Age'], y=train['Pregnancies'])  
    plt.savefig("Task1/img/T1.png")  
    plt.show()  
    #********* End *********#    

第二关 数据集成-海纳百川 数据集成

数据集成指将多个数据源中的数据整合到一个一致的存储中。模式集成指整合不同数据源中的元数据，实体识别问题：匹配来自不同数据源的现实世界的实体，比如： A.cust-id = B.customer_no。

我们需要检测并解决数据值的冲突。对现实世界中的同一实体，来自不同数据源的属性值可能是不同的。可能的原因：不同的数据表示或不同的度量等等。

冗余数据处理

集成多个数据库时，经常会出现冗余数据：

• 同一属性在不同的数据库中会有不同的字段名；

• 一个属性可以由另外一个表导出，如“年薪”。

仔细将多个数据源中的数据集成起来，能够减少或避免结果数据中的冗余与不一致性，从而可以提高挖掘的速度和质量。

题解：

import numpy as np
import pandas as pd

def student():
    #********* Begin *********#
    train = pd.read_csv('Task2/diabetes_null.csv', na_values=['#NAME?'])  
    another_train = pd.read_csv('Task2/diabetes_zero.csv', na_values=['#NAME?'])  
    merge_data=pd.concat([train,another_train])  
    print(merge_data.shape)  
    #********* End *********#   

第三关 数据变换-同源共流 数据变换

常见的数据变换包括：特征二值化、特征归一化、连续特征变化，定性特征哑编码等。

下面简单介绍常用的数据变换：

• 平滑：去除数据中的噪声 （分箱、聚类、回归）

• 聚集：汇总，数据立方体的构建

• 数据概化：沿概念分层向上汇总

• 规范化：将数据按比例缩放，使之落入一个小的特定区间。最小－最大规范化、z-score规范化、小数定标规范化

• 属性构造：通过现有属性构造新的属性，并添加到属性集中；以增加对高维数据的结构的理解和精确度  

题解：

import numpy as np
import pandas as pd
from sklearn.preprocessing import normalize,MinMaxScaler

def student():
    train = pd.read_csv('Task3/diabetes_null.csv', na_values=['#NAME?'])
    train['Insulin'] = train['Insulin'].fillna(100)
    train['SkinThickness'] = train['SkinThickness'].fillna(train['SkinThickness'].median())
    train['BloodPressure'] = train['BloodPressure'].fillna(train['BloodPressure'].median())
    train['BMI'] = train['BMI'].fillna(train['BMI'].mean())
    train['Glucose'] = train['Glucose'].fillna(train['Glucose'].mean())
    #********* Begin *********#
    data_normalized=normalize(train,axis=0)
    print("z-score规范化：\n",data_normalized)
    data_scaler=MinMaxScaler()  
    data_scaled=data_scaler.fit_transform(train)
    print("\n最小－最大规范化：\n",data_scaled)
    #********* End *********#