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：

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