Python数据分析与挖掘实战（数据预处理）

本人新书《玩转Python网络爬虫》，可在天猫、京东等商城搜索查阅或通过右侧图书链接购买，项目深入浅出，适合爬虫初学者或者是已经有一些网络爬虫编写经验，但希望更加全面、深入理解Python爬虫的开发人员。

操作系统：Windows
Python：3.5
欢迎加入学习交流QQ群：657341423

在做数据分析的时候，我们会通过爬虫或者数据库里得到一批原始数据的。这个上节说过的，但是对于这些数据需要做一个数据清洗，去除异常值，缺失值等，确保数据的准确性和后续生成的模型的正确性。
这节就讲解数据预处理。

缺失值处理：
处理方法大致三种：
1，删除记录
2，数据插补
3，不处理
如果简单删除数据达到既定的目的，这是最有效的，但是这个方法很大局限性，容易造成隐藏的信息丢失，实际中不建议。如果不处理，会直接影响数据的数值和准确性。
基本上都是采用数据插补的方式填充缺失值。这个插补方式很多，如图

具体使用那种方式根据实际而定，这里介绍一种插补方法：
拉格朗日插值
（当看到深深的数学公式的时候，我内心是崩溃的）
在python里直接有这个方法（scipy库）
实例：
数据源，excel里

有两列，数据有200行。
代码：

def ployinterp_column是拉格朗日插值的使用。
这里取出缺失值前5行和后5行数据进行计算，得出一个pd的Series格式的数据。
然后剔除缺失值所在的行，或者前后5行的缺失值。
然后lagrange(y.index, list(y))，其中y.index, list(y)分别用print出来，index为数据行数，list(y)为数据。(n)是插入的位置。

这里介绍一下pd的DataFrame和Series的区别。
首先，pd.read_excel(inputfile)是生成一个DataFrame
如果要读取某个数的话，data[‘销量’][9] ，[‘销量’]是列名，如果没有声明的话，必需和excel的一致，不能用数字做索引。第二个[]是行数。
如果要获取某部分数据的话，比如

data[‘销量’][[9,10]] 是返回一个Series
data[‘销量’][9] 是返回某个数据。

基本上，这段代码比较难的都剖释了。不难理解。

异常值处理：
异常值和缺失值不同，异常值是不符合实际的数据，比如正常情况下，月薪10亿。这个数据就在现实中就不太可能实现了。
处理方法：

基本上常用的处理方法和缺失值处理一样的。不过实际中的处理方法还需结合实际考虑。