机器学习（一）读取csv数据进行分析1

0_引言

笔者的环境为：windows10，python3.8，pycharm 2021.3

测试用例csv数据下载链接：链接

需要安装的第三方库有：pandas，numpy

可使用清华源的在pycharm终端（或win+R）进行安装，命令如下（一次输入一条即可）：

pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pandas -i https://pypi.tuna.tsinghua.edu.cn/simple

回车即可安装。

若pycharm下方没有终端，可在左上方视图中找到工具窗口，或者是Alt+F12，输入如上命令安装

1_基础操作

在python实践中，为了方便书写与理解，第三方库常常有约定俗成的缩写，例如pandas就会缩写为pd，numpy就会缩写为np，

import pandas as pd
import numpy as np

在调用库的方法时，仅需使用 模块.方法（）的格式即可调用，例如使用numpy格式化一个列表

List1 = [1,2,3,4]
NewList = np.array(List1)
print(List1)
print(NewList)

输出如下，明显可以看到程序生效，数据格式发生改变（间隔符由逗号变为空格）

接下来对csv数据进行基本处理，首先我们要认识csv是什么

csv可以理解为间隔符变为逗号的txt，也可以理解为另一种形式的excel

如下图，在wps中它和excel基本上一摸一样（数据下载链接）

而在pycharm中，它是这样的（在pycharm中打开csv数据需要下载csv插件，教程链接）

我下载的是Rainbow CSV

我们使用pandas的方法读取csv数据

# 创建一个data变量存储数据
data = pd.read_csv('StudentPerformance.csv')
# 展示一下数据
print(data)

出现...是因为数据太长了，pycharm选择缩略中间部分

查看数据的一些基本属性

# 获取首行（标签）名称
labels = list(data.columns.values)
print(labels)

# 查看数据特征
print(data.dtypes)

# 列名
print(data.columns)

# 索引
print(data.index)

#查看特征空值信息，以及数据类型
print(data.info(verbose=True))

#输出数据集前n个样本，默认n=5
print(data.head(n=5))

以下为部分运行结果图：

可以观察到数据既有object类型的字符也有int64类型的数字，对于object类型我们可以认为它是一个离散型的变量，对应于int64类型我们认为它是一个连续变量

# 数值型变量统计描述
# 下面的结果描述了有关数值型变量的简单统计值，包括非缺失观测的个数（count）、平均值（mean）、标准差（std）、最小值（min）、下四分位数（25%）、中位数（50%）、上四分位数（75%）和最大值（max）。
print(data.describe())
data.describe().to_csv('Feature_Of_Values.csv')

# 离散型变量统计描述
print(data.describe(include=['object']))
data.describe(include=['object']).to_csv('Feature_Of_Object.csv')

# 此处由于pycharm自动缩略，故将运行结果保存到同文件夹的csv中方便查看（使用to_csv方法）

此外还有一些基础操作，详见：博客链接

2_可视化方法分析数据

注意！！！上文的缺值信息只能识别空格内没有值的空值，对于NAN，#VALUE!，Nan，None等一系列空值都无法识别，但是可以将其转换为空，再进行识别，

这里为了方便展示，我们首先导入可视化库

# 按照引言步骤安装这两个第三方库即可
import missingno as msno
import matplotlib.pyplot as plt

# 使用可视化方法查看缺失值在数据中的分布
msno.matrix(data, figsize=(14, 7), width_ratios=(13, 2), color=(0.25, 0.25, 0.5))
plt.show()

运行后可以看到我的数据是完整的，但是其中却充斥着Nan，#VALUE!等字符

于是我将原数据的奇怪字符替换为空，并在原数据上保存改动

# 将原数据中的Nan，#VALUE！替换为空值,并将改动保存
data.replace('Nan', '', inplace=True)
data.replace('#VALUE!', '', inplace=True)
data.to_csv("StudentPerformance.csv")

重新读取数据后，再次使用可视化方法进行观察

# 重新读取数据
data = pd.read_csv('StudentPerformance.csv')
# 使用可视化方法查看缺失值在数据中的分布
msno.matrix(data, figsize=(14, 7), width_ratios=(13, 2), color=(0.25, 0.25, 0.5))
plt.show()

可以看到，在数据柱中出现了空白部分，此处手动找到数据，整行删除，解决问题

也可以进行均值填补，机器学习方法填补等一系列方法，详见后续博客

接下来进行相关性分析（只能对数值型变量进行分析）

# 首先导入第三方库，方便可视化
import seaborn as sns
# 接下来设置字体，解决无法显示中文的问题
sns.set(font="Kaiti", style="ticks", font_scale=1.4)
matplotlib.rcParams['axes.unicode_minus'] = False
# 设置画布尺寸，18为长，8为宽
plt.figure(figsize=(18, 8))
sns.heatmap(data.corr(), cmap="YlGnBu", annot=True)  # 绘制热力图
plt.title('相关性分析热力图')
plt.show()

可以发现，在不同特征中确实存在着相关性，其中VisITedResources和raisedhands的相关性高达0.69，这是一个比较高的值了

接下来我们在不同数据坐标间进行比对，发现Class数据分布上的潜在特征

# 一张大图，其中包含n个子图，每个子图都是每个维度和其他某个维度的相关关系图
# 这其中主对角线上的图，则是每个维度的数据分布直方图，
# 以Class这个维度的数据为标准，来对各个数据点进行着色，
sns.pairplot(data, hue='Class')
plt.show()

可以明显观察到，Class为L的同学，在每个散点图中大部分处于左下角的位置，也就意味着当四个连续性变量数值均偏低的时，该同学的Class为L的概率较高

下一篇博客我们将对数据集的结构进行分析，同时进行进一步的数据可视化，为后续的机器学习模型构建打下良好基础