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。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

翻譯來源

Basic Data Exploration