数据挖掘实战（一）：Kaggle竞赛经典案例剖析

Load Lib

在这边提一下为什么要加

import warnings

warnings.filterwarnings('ignore')

主要就是为了美观，如果不加的话，warning一堆堆的，不甚整洁。

Load data

和正常的套路一样，Id的没有什么卵用但是每个数据集都喜欢加的东西，因此我们弄死它就好了。

Data Statistics

Data Statistics是不能省略的部分，这部分能够首先让你对Data Science有个很基础的认知，也就是play with your data之前的know your data的部分。

在这里说一下，我在之前很简单粗暴的一上来就

dataset=df.iloc[:,1:]

把Id给删掉了，是不对的。正常的套路要先进行Data Statistics之后，才能进行对数据集的操作，否则误删了有价值的数据。。。就不大好了。。。

先看看数据集里有什么东西？

大家发现这个数据集很有趣的地方就是，他的数据类型全部都是int64的，这样Data cleaning的时候压力会小一点。

Data Cleaning

首先，我们来搞定一些没用的项目

We will dropped column ['Soil_Type7', 'Soil_Type15']

Nice,现在再来看一下：

我们现在来看一下偏离量：

这里要提一下，我之前如果没有执行删除'Soil_Type7', 'Soil_Type15'的内容的话，他们的偏离量为0，同样的，大家也可以通过这个方法来剃掉Soil_Type这个废柴。（本来就是用std剃掉的来着。。。）

为什么选Kaggle的数据集的原因又出现了，所有的Class都已经equal presence了，这就意味着不需要有一个re-balancing的过程了。

怎么说也是文化人，之前给大家的都不算什么有技术含量的，现在来个好玩的，也是Data Science的核心：Correlationship

首先要提一下，不是随便的啥啥啥数据都可以搞Correlationship的，至少要有continous才可以。

在Data Statistics的过程中，我们对数据有一个基本的认识了，因此，Wilderness_Area和Soil_Type我们不能用，谁教他是不是0就是1呢（一般我们叫它们binary）。

先做个准备

来正戏了，Pandas为什么那么多人用的原因之一就是，它将很多的东西都给工具化了，如果要手码的话。。。简直不寒而栗。。。

但是Pandas只要一句：

看着很烦对不对？是的，很多没有什么必要的信息也一股脑子的弄了出来。

所以我们设置一个threshold，threshold可以理解为阈值，低于threshold就屏蔽掉好了。一般0.5以上才能说有相关性，0.8以上高度相关。有兴趣的同学可以看下Reference的Wikipedia中Correlation的解释。

这样，我们得到七个比较有关联的数据。但是还是有人觉得，还是不大像人话。还有人说我没图你说个啥？这里我导入一下seaborn，无他，只是因为我觉得Matplotlib的默认视图做这个。。。是真的很难看啊。。。

在这里，我们移除了Soil_Type7和Soil_Type15，因为这两项的全是没变。

这里提一下，通过调试

dataset.std()

可以很简单直接的把值压根就没变化的废物给找出来，这个方法很常用。

由于Kaggle的数据集内容本身没有什么需要清理的需求，所以Data Cleaning做到这一步就差不多了。

在这里提一下，通过list将操作保存起来这个习惯很重要——要不然说翻车就翻车了，然后死活都找不到之前做了什么。。。

严谨的数据科学家是不会放过它滴。

原文发布时间为：2017-02-21本文作者：那只猫本文来自云栖社区合作伙伴“ Python中文社区”，了解相关信息可以关注“ Python中文社区”微信公众号