机器学习——pandas操作数据

上一篇中已经了解了机器学习中一个简单的决策树模型，接下来将通过理论知识的学习，了解如何利用Pandas操作数据。

Pandas操作数据

机器学习项目的首要操作是建模人员要熟悉数据。在这节中，将教大家用Python的Pandas库来操作数据。Pandas是数据科学家用于浏览和操作数据的一个最基础的工具。大多数使用Pandas的人都习惯将pandas简称为‘pd’。

通过这条命令就可以完成该操作：
import pandas as pd

而Pandas库中最重要的是Dataframe。一个DataFrame变量可以存储一个类似与表一样的数据类型。DataFrame就好比是Excel表中的Sheet页、支持SQL的数据库中的表一样，是一个能存储表数据的框架。

Pandas封装了绝大多数你想要对表数据进行的操作。举个例子，来看一下澳大利亚墨尔本的房价数据。在后面的练习中，你可以将同样的操作流程运用到新的数据集，其中有Lowa州的房价数据。

墨尔本的房价数据所在文件目录为：…/input/melbourne-housing-snapshot/melb_data.csv.这个文件目录在实践时，可以根据你自己的情况进行修改，只要与下面的代码中相匹配即可。

# 文件存储路径
melbourne_file_path = '../input/melbourne-housing-snapshot/melb_data.csv'

# pandas读取csv文件
melbourne_data = pd.read_csv(melbourne_file_path) 

# 对于数值型变量输出描述性统计结果
melbourne_data.describe()

描述性统计结果如下所示：

解释描述性统计结果

描述性统计结果给出了原始数据的8个特征值，第一个特征值count，揭示了对于每个列而言，有多少非空的数据行。

缺失值产生的原因有很多，比如在调研一居室时，永远不可能收集到第二个房间的面积数据。关于缺失值，后面会有详细的专业操作。

第二个统计特征mean，即算术平均值。在mean下面是std，即标准差，揭示了数值的离散程度。

为了解释min，25%，50%，75%以及max，先对一组数按照从小到大进行排序。对于这样一个有序数列，第一个值即为最小值。沿着从小到大的顺序，走过此数列长度的25%，你会遇到一个数，这个数值比前25%的值都大，比数列后75%的数值都小。这个数就是该数列的四分之一分位数。50%，即二分位数，75%即四分之三分位数，都是如此定义的。走到数列的末尾，就遇到了该数列的最大值max。

下一节内容，将通过一个练习，手把手完成实操演练.

欢迎关注微信公众号：“数据分析师手记”