头歌实训-机器学习（Pandas数据清洗与预处理实战）

1. Pandas数据清洗的核心价值数据清洗是机器学习项目中最耗时但至关重要的环节。我经手过的真实项目中约70%的时间都花在数据预处理上。Pandas之所以成为数据科学家的首选工具关键在于它用简洁的语法解决了以下痛点脏数据识别一份电商用户行为数据中常出现年龄为999的魔法值、下单时间为2099年的未来数据缺失值处理传感器采集的IoT数据可能因网络波动产生间断性缺失类型转换从CSV读取的2023-01-01会被自动识别为字符串而非日期类型举个真实案例某金融风控项目中原始数据包含37%的缺失值和5%的异常值。直接训练模型AUC只有0.51相当于随机猜测经过Pandas清洗后提升到0.83。2. 数据质量评估实战2.1 快速诊断数据健康度加载数据后首先要做全面体检import pandas as pd # 加载泰坦尼克号数据集 df pd.read_csv(titanic.csv) # 基础诊断三件套 print(f数据维度{df.shape}) print(\n数据类型概览) print(df.dtypes) print(\n缺失值统计) print(df.isnull().sum())输出结果会显示年龄(Age)列有177个缺失值船舱(Cabin)列缺失高达687条登船港口(Embarked)缺失2条2.2 异常值检测方法不同数据类型需要不同的检测策略数据类型检测方法示例阈值数值型IQR法则 Q3 1.5IQR类别型频次统计出现次数 总量1%时间型范围检查不在业务时间范围内# 数值型异常值检测示例 q1 df[Fare].quantile(0.25) q3 df[Fare].quantile(0.75) iqr q3 - q1 upper_bound q3 1.5*iqr outliers df[df[Fare] upper_bound]3. 缺失值处理全攻略3.1 删除策略的陷阱直接df.dropna()是最危险的操作可能导致时间序列数据出现断点特征矩阵出现大量信息损失破坏数据集的原始分布更稳妥的做法是分步处理计算各列缺失比例对缺失30%的列考虑删除或标记其余列采用合理填充# 分步处理示例 missing_ratio df.isnull().mean() cols_to_drop missing_ratio[missing_ratio 0.3].index df_clean df.drop(columnscols_to_drop) # 对年龄列用中位数填充 df_clean[Age] df_clean[Age].fillna(df_clean[Age].median())3.2 高级填充技巧时间序列df.fillna(methodffill)前向填充分类数据填充新类别UNKNOWN数值特征考虑用KNN或随机森林预测填充4. 异常值处理的艺术4.1 保留异常值的情况这些场景不建议处理异常值金融欺诈检测中的异常交易工业设备监控中的故障信号电商领域的真实高消费用户4.2 处理方案对比方法优点缺点适用场景截断法保持数据量破坏分布数值范围明确的指标分箱法保留趋势信息损失精度年龄/价格等连续变量对数变换保持数据顺序改变量纲右偏分布数据# 分箱处理示例 df[Age_bin] pd.cut(df[Age], bins[0,12,18,60,100], labels[Child,Teen,Adult,Elder])5. 数据转换关键操作5.1 类型转换最佳实践常见坑点及解决方案混入特殊字符的数值列先str.replace()再astype日期列格式混乱指定format参数避免自动推断错误大整数列被误判为float使用pd.Int64Dtype()# 安全类型转换模板 def safe_convert(series, target_type): try: return series.astype(target_type) except ValueError as e: print(f转换失败{e}) return series df[Price] safe_convert(df[Price], float64)5.2 特征工程入门创建有效特征的常用手法时间特征从日期提取星期、是否节假日组合特征身高体重组合为BMI指数统计特征滚动窗口的均值/标准差# 创建时间特征示例 df[OrderDate] pd.to_datetime(df[OrderDate]) df[OrderDayOfWeek] df[OrderDate].dt.dayofweek df[IsWeekend] df[OrderDayOfWeek].isin([5,6]).astype(int)6. 数据验证与保存6.1 清洗后检查清单分布对比df.describe()前后对比关联性验证pd.plotting.scatter_matrix观察特征关系业务规则校验如订单金额0等6.2 高效保存技巧不同存储格式的优劣格式读取速度磁盘占用特殊优势CSV慢大可读性强Parquet快小保留数据类型Feather最快中等内存映射# 推荐保存方式 df.to_parquet(cleaned_data.parquet, enginepyarrow)在实际项目中我习惯保存清洗过程的中间快照方便回溯raw_data.parquet - 原始数据cleaned_basic.parquet - 基础清洗后cleaned_advanced.parquet - 特征工程后记得每次保存时记录处理日志可以用df.attrs存储元数据df.attrs[processing_log] { last_processed: pd.Timestamp.now(), missing_handled: True, outlier_method: IQR }