使用 Python 进行探索性数据分析和预处理

免费领取国家顶级域名（.cn/.中国）

欢迎加入国家域名信源站点导航

站点智能：AI搭建 AI辅助运营独立站，把生意做到全世界

介绍

世界依靠数据运转。数据可以是任何东西 — 数字、文档、图像、事实等。它可以是数字形式，也可以是任何物理形式。“数据”一词是“datum”的复数，意思是“给定的东西”，通常指单条信息。

原始数据只有在我们分析和解释后才能得到我们想要的信息。这种信息可以帮助组织根据事实和趋势制定战略。

随着 Python 软件包的最新进展及其执行高端分析任务的能力，它已成为数据分析师的首选语言。

在第 1 部分结束时，您将获得以下实际经验：

重要的数据分析库
数据预处理
探索性数据分析

第 2 部分将介绍数据可视化和构建预测模型。

数据科学家和分析师大部分时间都花在数据预处理和可视化上。模型构建要容易得多。在这些指南中，我们将使用纽约市 Airbnb 开放数据。我们将预测租金价格，看看我们的预测与实际价格有多接近。在此处下载数据。

重要的数据分析库

是什么让 Python 成为数据分析的有用工具？它包含开源的包和库，广泛用于处理数据。让我们进一步了解它们。

基础科学计算

Numpy：该名称代表Num eric Py thon。该库能够执行随机数、线性代数和傅里叶变换。
SciPy：该名称代表Sci entific Py thon。该库包含高级科学和工程模块。您可以执行线性代数、优化和快速傅里叶变换。SciPy 建立在 NumPy 之上。

数据处理和可视化

pandas：在数据分析和机器学习中，pandas 以数据框的形式使用。此包允许您从不同的文件格式读取数据，例如 CSV、Excel、纯文本、JSON、SQL 等。
Matplotlib：此库用于绘制和可视化数据。您可以绘制直方图、图形、线图、热图等。它可以嵌入到 GUI 工具包中。

机器学习

Scikit Learn：这是一个免费的机器学习库。Scikit Learn 基于 NumPy、SciPy 和 Matplotlib 构建。它包含用于统计模型构建的高效工具。它可以运行各种分类、回归和聚类算法。它在处理数据框时可以与 pandas 很好地集成。

导入库并加载数据

      from __future__ import division
import numpy as np # linear algebra
import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)

import os
for dirname, _, filenames in os.walk('nyc_airbnb'):
    for filename in filenames:
        print(os.path.join(dirname, filename))

import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline

import warnings
warnings.filterwarnings('ignore')
import geopandas as gpd #pip install geopandas

from sklearn import preprocessing
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn import metrics

sns.set_style('darkgrid')
    

探索性数据分析 (EDA)

在数据分析中，EDA 用于更好地理解数据。查看数据时，可能会出现一些问题，例如，有多少行和多少列？数据是数字吗？特征（列）的名称是什么？是否有任何缺失值、文本和与数据不相符的数字符号？

shape和info类就是我们要找的答案。head函数将显示数据框的前五行，tail函数将显示后五行。describe 类函数将提供数据集的统计摘要。要根据特定标准按组拆分数据，我们将使用groupby ()函数。

首先，让我们读取数据。

      data = pd.read_csv(r'nyc_airbnb\AB_NYC_2019.csv')

print('Number of features: %s' %data.shape[1])
print('Number of examples: %s' %data.shape[0])
    

      data.head().append(data.tail())

      data.info()

      data.describe()

数据评估

让我们开始看看哪些是最好的主人和邻居。

      # Evaluation_1-top_3_hosts

top_3_hosts = (pd.DataFrame(data.host_id.value_counts())).head(3)
top_3_hosts.columns=['Listings']
top_3_hosts['host_id'] = top_3_hosts.index
top_3_hosts.reset_index(drop=True, inplace=True)
top_3_hosts
    

      # Evaluation_2-top_3_neighbourhoood_groups

top_3_neigh = pd.DataFrame(data['neighbourhood_group'].value_counts().head(3))
top_3_neigh.columns=['Listings']
top_3_neigh['Neighbourhood Group'] = top_3_neigh.index
top_3_neigh.reset_index(drop=True, inplace=True)
top_3_neigh
    

词云会展示评论中最常用的单词集合。单词越大，使用频率越高。首先安装一个词云库。

      from wordcloud import WordCloud, ImageColorGenerator
wordcloud = WordCloud(
                          background_color='white'
                         ).generate(" ".join(data.neighbourhood))
plt.figure(figsize=(15,10))
plt.imshow(wordcloud)
plt.axis('off')
plt.savefig('neighbourhood.png')
plt.show()
    

数据清理

下面的代码将对我们的原始数据进行数据清理。我们必须在可视化和预测之前准备好数据。这是数据分析工作流程中的重要一步。在这里我们将使用pandas库，特别是drop、isnull、fillna和transform类。

      data.drop(['id','host_id','host_name','last_review'],axis=1,inplace=True)

      data.isnull().sum()

填充值的方法有很多种。最常见的做法是用变量的平均值或中位数填充。我们将进行z 检验，以了解哪种方法更合适。

偏斜的数据分布在右侧（正偏斜）或左侧（负偏斜）处有长尾。例如，假设我们想要确定某个州的收入，而该州的收入分布并不均匀。少数人的收入远高于平均水平，这将在数据集中产生异常值（“超出范围”）。异常值对任何数据分析都是一个严重的威胁。在这种情况下，中位收入将比平均收入更接近中产阶级（多数）的收入。

当数据均匀分布时，均值很方便。

      data_check_distrib=data.drop(data[pd.isnull(data.reviews_per_month)].index)

{"Mean":np.nanmean(data.reviews_per_month),"Median":np.nanmedian(data.reviews_per_month),
 "Standard Dev":np.nanstd(data.reviews_per_month)}
    

平均值> 中位数。我们来绘制分布曲线。

      def impute_median(series):
    return series.fillna(series.median())
    

      # plot a histogram 
plt.hist(data_check_distrib.reviews_per_month,  bins=50)
plt.title("Distribution of reviews_per_month")
plt.xlim((min(data_check_distrib.reviews_per_month), max(data_check_distrib.reviews_per_month)))
    

它向右倾斜！让我们填充值。

      def impute_median(series):
    return series.fillna(series.median())
    

      data.reviews_per_month=data["reviews_per_month"].transform(impute_median)

结论

_{免责声明：本内容来源于第三方作者授权、网友推荐或互联网整理，旨在为广大用户提供学习与参考之用。所有文本和图片版权归原创网站或作者本人所有，其观点并不代表本站立场。如有任何版权侵犯或转载不当之情况，请与我们取得联系，我们将尽快进行相关处理与修改。感谢您的理解与支持！}

_查看原文