pandas导入及数据结构用法（pandas数据集的端到端处理）

pandas导入及数据结构用法

pandas数据集的端到端处理

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：

?

1 2 3 4

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

?

1 2 3 4 5 6

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：

?

1	>> 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：

?

1	>> df = pd.get_dummies(df)

• null 值统计与填充：

?

1 2 3 4 5 6

>> 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，谢谢大家对开心学习网的支持。如果你想了解更多相关内容请查看下面相关链接

原文链接：https://blog.csdn.net/lanchunhui/article/details/80100555