---
tags: Machine Learning
disqus: HackMD
---

# 基礎數據探索

## 使用 Pandas 熟悉你的數據

任何機器學習項目的第一步就是熟悉手中資料，將在此使用 `pandas` 函式庫，`Pandas` 是數據科學家用於探索和處理數據的主要工具，大多數人將 `pandas` 縮寫為 `pd`。我們使用以下命令執行此操作。

import pandas as pd

`Pandas` 函式庫中最重要的部分是 `DataFrame`，`DataFrame` 包含了您可能認為是表格的數據類型。這類似於 Excel 中的工作表或 SQL 數據庫中的表。

`Pandas` 具有強大的方法，可以處理您想要使用此類的大多數數據執行操作。

接下來，我們將查看有關澳大利亞墨爾本[房價的數據](https://www.kaggle.com/datasets/dansbecker/melbourne-housing-snapshot)。在動手練習時，您將對新數據集應用相同的過程，該數據集包含愛荷華州的房價。

範例（墨爾本）數據文件路徑位於 `../input/melbourne-housing-snapshot/melb_data.csv` 中。

我們使用以下代碼加載和探索數據：

# save filepath to variable for easier access
melbourne_file_path = '../input/melbourne-housing-snapshot/melb_data.csv'
# read the data and store data in DataFrame titled melbourne_data
melbourne_data = pd.read_csv(melbourne_file_path) 
# print a summary of the data in Melbourne data
melbourne_data.describe()

||Rooms|Price|Distance|Postcode|Bedroom2|Bathroom|Car|Landsize|BuildingArea|YearBuilt|Lattitude|Longtitude|Propertycount|
|--| -------- | -------- | -------- |-------- |-------- |-------- |-------- |-------- |-------- |-------- |-------- |-------- |-------- |
|count| 13580.000000| 1.358000e+04| 13580.000000| 13580.000000| 13580.000000| 13580.000000| 13518.000000| 13580.000000| 7130.000000| 8205.000000| 13580.000000| 13580.000000| 13580.000000|
|mean| 2.937997| 1.075684e+06| 10.137776| 3105.301915| 2.914728| 1.534242| 1.610075| 558.416127| 151.967650 |1964.684217| -37.809203| 144.995216| 7454.417378|
|std| 0.955748| 6.393107e+05|5.868725 |90.676964| 0.965921| 0.691712| 0.962634| 3990.669241 |541.014538 |37.273762| 0.079260| 0.103916| 4378.581772|
|min| 1.000000| 8.500000e+04| 0.000000| 3000.000000| 0.000000| 0.000000| 0.000000| 0.000000| 0.000000| 1196.000000| -38.182550| 144.431810| 249.000000|
|25%| 2.000000| 6.500000e+05| 6.100000| 3044.000000| 2.000000| 1.000000| 1.000000| 177.000000| 93.000000| 1940.000000 |-37.856822| 144.929600| 4380.000000|
|50%| 3.000000| 9.030000e+05| 9.200000| 3084.000000| 3.000000| 1.000000| 2.000000| 440.000000| 126.000000| 1970.000000 |-37.802355| 145.000100| 6555.000000|
|75%| 3.000000| 1.330000e+06| 13.000000| 3148.000000| 3.000000| 2.000000| 2.000000| 651.000000| 174.000000| 1999.000000 |-37.756400| 145.058305|10331.000000
|max| 10.000000| 9.000000e+06| 48.100000| 3977.000000| 20.000000| 8.000000| 10.000000| 433014.000000|44515.000000| 2018.000000| -37.408530| 145.526350| 21650.000000|

## 了解數據描述

結果顯示原始數據集中每列有 8 個數字。第一列**count**顯示有多少行無缺失值。

缺失值的產生有多種原因。例如，在測量一間臥室的房子時，不會收集第二間臥室的大小。我們將回到缺失數據的主題。

第二列是**mean**，也就是平均值。在此之下，**std** 是標準差，它衡量值數字上的分佈情況。

要解釋最小值、25%、50%、75% 和最大值，請想像將每一列從最低值到最高值排序。第一個值是最小值。如果您瀏覽列表的四分之一，您會發現一個大於值的 25% 且小於值的 75% 的數字。這是 25% 的值（發音為“第 25 個百分位數”）。50% 和 75% 的定義類似，**max** 是最大的數。

To interpret the **min**, **25%**, **50%**, **75%** and **max** values, imagine sorting each column from lowest to highest value. The first (smallest) value is the min. If you go a quarter way through the list, you'll find a number that is bigger than 25% of the values and smaller than 75% of the values. That is the **25%** value (pronounced "25th percentile"). The 50th and 75th percentiles are defined analogously, and the **max** is the largest number.

## 到你了
開始您的 **[第一個編碼練習](https://www.kaggle.com/kernels/fork/1258954)**

## 翻譯來源

[Basic Data Exploration](https://www.kaggle.com/code/dansbecker/basic-data-exploration)