Python数据挖掘与机器学习_通信信用风险评估实战(2)——数据预处理

系列目录：

Python数据挖掘与机器学习_通信信用风险评估实战(1)——读数据

数据说明

通过对读取数据的实践，下面是数据集文件对应读取后的DataFrame说明。

数据文件	DataFrame
DataTech_Credit_Train_Communication1.txt	train_comm
DataTech_Credit_Train_User1	train_user
DataTech_公共数据_基础信息1	train_basic
DataTech_公共数据_通话1	train_call

重塑(reshape)和轴向旋转(pivot)

其中train_comm有201703-201706共4个月的用户通话数据，以”长格式(long)”或”堆叠格式(stacked)”存储，UserI_Id直接关联其他DataFrame会出现一对多的情况，故需要对它进行重塑(reshape)和旋转(pivot)运算。train_comm有4列数据：'UserI_Id', 'R3A_Stop_Days', 'R3A_Stop_Cnt', 'date'，假设只有一个需要参与重塑的数据列，可利用DataFrame的pivot方法实现转换，train_comm_pivoted = train_comm.pivot('UserI_Id', 'date', 'R3A_Stop_Days')，前两个参数值分别用作行和列索引的列名，最后一个参数值是用于填充DataFrame的数据列的列名，假设有两个需要参与重塑的数据列，那么忽略最后一个参数，得到的DataFrame就会带有层次化的列。其实，pivot只是一个快捷方式而已，用set_index创建层次化索引，再用unstack重塑可以达到同样效果。

train_comm_pivoted = train_comm.pivot('UserI_Id', 'date')
# train_comm_pivoted = train_comm.set_index(['UserI_Id', 'date']).unstack('date')

    R3A_Stop_Days   R3A_Stop_Cnt
date    201703  201704  201705  201706  201703  201704  201705  201706
UserI_Id                                
10032318    1   1   1   1   1   1   1   1
10041348    1   1   1   1   1   1   1   1
10076180    1   1   1   1   1   1   1   1
10099716    4   4   4   4   2   2   2   1
10101115    1   1   1   1   1   1   1   1

层次化索引

但是，这样生成的DataFrame有multiindex columns，而我们其他的DataFrame没有，那么怎样合并具有不同列索引层次的DataFrame呢。假设合并的两个DataFrame为train_user和train_comm_pivoted，这里提供两种解决的方案。

一是Index to MultiIndex，add a level to the columns of train_user，

train_user.columns = pd.MultiIndex.from_product([train_user.columns, ['in']])


    UserI_Id        RISK_Flag
    in              in
0   60015357        0
1   60015359        1
2   60015362        1
3   60015365        0
4   10032318        1

二是MultiIndex to Index，

train_comm_pivoted.columns = ['%s%s' % (a, '|%s' % b if b else '') for a, b in train_comm_pivoted.columns]

    R3A_Stop_Days|201703    R3A_Stop_Days|201704    R3A_Stop_Days|201705    R3A_Stop_Days|201706    R3A_Stop_Cnt|201703 R3A_Stop_Cnt|201704 R3A_Stop_Cnt|201705 R3A_Stop_Cnt|201706
UserI_Id                                
10032318    1   1   1   1   1   1   1   1
10041348    1   1   1   1   1   1   1   1
10076180    1   1   1   1   1   1   1   1
10099716    4   4   4   4   2   2   2   1
10101115    1   1   1   1   1   1   1   1

为了方便后续与其他数据集的合并，我选择了MultiIndex to Index。

数据库风格的DataFrame合并

应用pandas的merge函数，接下来就可以合并train_user和train_comm_pivoted这两个DataFrame了。

train_user_comm = pd.merge(train_user, train_comm_pivoted, how='left', left_on='UserI_Id', right_index=True, suffixes=('_user', '_comm'))

pd.merge函数的参数

参数	说明
left	参与合并的左侧DataFrame
right	参与合并的右侧DataFrame
how	“inner”、”outer”、”left”、”right”，默认为”inner”
on	用于连接的列名，如果未指定，且其他连接键也未指定，则以left和right列名的交集作为连接键
left_on	左侧DataFrame用作连接键的列
rigth_on	右侧DataFrame用作连接键的列
left_index	将左侧的行索引用作其连接键
right_index	将右侧的行索引用作其连接键
suffixes	字符串值元组，用于追加到重叠列名的末尾，默认为(‘_x’, ‘_y’)。

当然，合并数据集还可以用一些其他的方式，如pandas.concat、DataFrame1.join(DataFrame2)，DataFrame的join实例方法，能更为方便的实现按索引的合并，它还可用于合并多个带有相同或相似索引的DataFrame对象，而不管它们有没有重叠的列。这里就引出下一个话题，将DataFrame的一个或多个列当做行索引来用，或者可能希望将行索引变成DataFrame的列。

列和行索引的转换

DataFrame的set_index函数会将一个或多个列转化为行索引，并创建一个新的DataFrame。

# column to index
train_user = train_user.set_index('UserI_Id')

reset_index的功能跟set_index刚好相反，层次化索引的级别会被转移到列里面。

# UserI_Id reset_index() to Column
train_comm_pivoted = train_comm_pivoted.reset_index()

移除重复数据

DataFrame中经常出现重复行，可以用DataFrame的duplicated方法返回一个布尔型Series，表示各行是否是重复行，还有一个drop_duplicates方法，用于返回一个移除了重复行的DataFrame。这两个方法默认会判断全部列，我们也可以指定部分列进行重复项判断。且，它们默认保留的是第一个出现的值组合，传入参数take_last=True则保留最后一个。

train_basic = train_basic.drop_duplicates()

索引、选取

对DataFrame进行索引是获取一个或者多个列。

train_user_comm_basic[['UserI_Id', 'RISK_Flag']].head()

    UserI_Id    RISK_Flag
0   60015357        0
1   60015359        1
2   60015362        1
3   60015365        0
4   10032318        1

但是，这种索引方式有几个特殊的情况，首先通过切片或布尔型数组选取行。

train_basic_201706 = train_basic[train_basic['date'] == 201706]

为了在DataFrame行上进行标签索引，引入索引字段ix。它可以通过NumPy式的标记法和轴标签从DataFrame选取行和列的子集。

train_user_comm_basic.ix[:3, ['UserI_Id', 'RISK_Flag']].head()

    UserI_Id    RISK_Flag
0   60015357        0
1   60015359        1
2   60015362        1
3   60015365        0

# 切片选取，行包括末端，列不包括？？？
train_user_comm_basic.ix[:3, :3].head()

    UserI_Id    RISK_Flag   R3A_Stop_Days|201703
0   60015357        0       1
1   60015359        1       4
2   60015362        1       2
3   60015365        0       1

通过本篇的数据预处理，基本可以形成原始基础数据的一张宽表，因为给出的原始数据是脱敏的，已经做了离散化处理，如果认为宽表的特征还不够丰富的话，可以基于自己对业务和数据的理解衍生一些新的特征。

附1：bug参考资料

Join dataframes - one with multiindex columns and the other without
https://stackoverflow.com/questions/43223615/join-dataframes-one-with-multiindex-columns-and-the-other-without

Pandas dataframe with multiindex column - merge levels
https://stackoverflow.com/questions/24290297/pandas-dataframe-with-multiindex-column-merge-levels

---

微信公众号「数据分析」，分享数据科学家的自我修养，既然遇见，不如一起成长。