第二章： 数据清洗及特征处理

第一节

观察处理缺失值

数据集中含有缺失值是很正常的，常见的几个对缺失值的处理方法有：

1. 忽略
2. 删除
3. 填充

在第一章中通过.info()方法观察到Age， Cabin，Embarked三列数据有缺失值，利用isnull().sum()统计一下三个特征中缺失值的数量得到

• Age中有177个缺失值，Cabin中有687个缺失值，Embarked中有2个缺失值

缺失值对数据的影响是比较大的所以不可以忽略，对于Age中的177个缺失值可以采用填充的方法。对于Cabin，一般当缺失值的数量大于50%的时候不会采取填充的方法，所以只能删除这个特征。对于Embarked来说，只有2个缺失值，采取填充的方法会更好一些。
填充的数值一般有几个方法来确定

第一章： 数据载入及初步观察

第一节

载入数据

首先将数据集载入
数据集来源 https://www.kaggle.com/c/titanic/overview

此时要用到python中的pandas来帮助读取数据。而常用的的两种引入数据的方式为：
read_csv 和 read_table
这两种方式有什么区别。执行以下代码来看一下

1
2
3
4
5
6
7
8
9
10

import pandas as pd

def load_data():
    return pd.read_csv("train.csv"), pd.read_table("train.csv")

if __name__ == '__main__':
    csv, table = load_data()
    print(csv.head())
    print(table.head())
    print(table.head().shape)

分别用两种方式读取数据集，然后打印前五行