機器學習-資料清洗
歡迎大家前往騰訊雲+社群，獲取更多騰訊海量技術實踐乾貨哦~
本文由brzhang發表
資料清洗
首先，為何需要對資料進行清洗
資料清洗的工作絕壁是非常枯燥的，做資料研究的的人絕對無法避開這個環節，其根本原因是因為我們從各種渠道拿到的資料可能會出現：
1、不合理的資料，你比如，樣本中有些人的年齡超過了120歲，樓層的高度達到了1000層，以及其他的一些非常不合理的場景。
2、錯誤的型別，你比如，樣例中，幾乎所有的資料都是整形，然而，有一些是字串型別，如果不進行處理，將這些資料直接餵給演算法，一般情況下是要崩潰的。
3、計算機對於處理字串型別比較吃力，有時候，需要我們將他轉化為數字型別，這樣就設計到一個對映關係，比如，樣例性別，【男，女】，我們可以轉化為1，2，房屋的型別【單間，一房一廳，二房一廳，三房一廳，商鋪】可以對應的枚舉出來，比如我在處理房屋朝向上的示例
#提取房屋的朝向 def parse_orientation(row): if '朝西南' in row: return 1 elif '朝東北' in row: return 2 elif '朝東' in row: return 3 elif '朝南' in row: return 4 elif '朝西北' in row: return 5 elif '朝北' in row: return 6 elif '朝東南' in row: return 7 elif '朝南北' in row: return 8 elif '朝西' in row: return 9 else: return 10
等等等等，我想說的是絕對還有很多你意想不到的場景，需要你耐心的打磨資料，將蒐集到的原始資料，清洗成為可用的資料。
資料清洗需要掌握哪些黑科技
通常我們拿到的資料資料都可以簡化為表格模型，無用你是xsl也好，csv亦或json陣列也好，都可以利用pandas來讀取，讀取之後，接下來的工作基本上就是藉助在pandas的一些api來做資料清洗工作了，如下，我讀取了一份房價資訊的資料表，這份資料當然是我自己根據上一篇文章，利用scrapy做了一個爬蟲爬取的咯。
jupyter筆記
為了讓我們能夠更好的玩資料清洗，我也不吝嗇的貢獻出了一份非常全面的pandas的操作 Pandas_Cheat_Sheet.pdf" target="_blank" rel="nofollow,noindex">Cheatsheet 一份,以及後面你一定會用到一個萬能的CheatSheet。
來來，簡單的瞭解一下pandas的一些常用的api了,舉例就用：
示例資料一行
1、取子集常用操作
取子集
其中，loc是支援按照列名字串的方式來取子集，iloc支援的是使用陣列索引（從0開始）的方式來取子集，通常，逗號前面是行相關的一些條件限制，逗號右邊則是列相關的限制。比如，我取得
我就取前兩列
2、處理空白資料行
處理空白資料
這種就很簡單愉快了，一個api就可以刪除或者填充有空白資料的樣本了。
這個就不演示了，因為我是爬蟲爬取資料，所以在爬取的過程中，我已經對資料進行了一些基礎的處理，程式控制不可能出現空白資料了，所以，我也是建議，自己寫爬蟲去獲取資料，這些減輕資料清洗環節的壓力。
3、apply系列
apply其實有比較多兄弟，比如applymap,map,他們的能力各有不同，總的來說就是apply()是一種讓函式作用於列或者行操作，applymap()是一種讓函式作用於DataFrame每一個元素的操作，而map是一種讓函式作用於Series每一個元素的操作，如下所示，我這裡對ege列進行處理了一了，將數字和文字歸一化為數字。
apply示例
實際上，這個操作完全可用map來做：
df['ege'] = df['ege'].map(parse_house_age) df.head(5)
結果完全一樣，因為我們只取了一列。
資料清洗比較高階的方式，使用各種圖表
1、使用散點圖
房屋總面積對應總價圖
2、房價熱力值圖：
房價區間熱力圖
圖描述了房間分佈區間，可以清洗看出一些問題。
3、頻率直方圖幫助我們迅速找到一些特例獨行的豬，因為他出現的次數少嘛，不得不讓人懷疑這種資料的真實性。
利用直方圖快速找出毛刺點
ok，總的來說，這個過程需要開動自己的腦經，把你拿到的原始資料，慢慢慢慢的，變成可以給你下面演算法需要的資料。
相關閱讀 【每日課程推薦】機器學習實戰！快速入門線上廣告業務及CTR相應知識
此文已由作者授權騰訊雲+社群釋出，更多原文請點選
搜尋關注公眾號「雲加社群」，第一時間獲取技術乾貨，關注後回覆1024 送你一份技術課程大禮包！