数据科学- 数据准备

在分析数据之前，数据科学家必须提取数据，使其干净且有价值。

使用 Pandas 提取和读取数据

在分析数据之前，必须导入/提取数据。

在下面的示例中，我们将向您展示如何在 Python 中使用 Pandas 导入数据。

我们使用 read_csv() 函数导入包含健康数据的 CSV 文件:

实例解析

• 导入 Pandas 库
• 将数据框命名为 health_data。
• header=0 表示要在第一行找到变量名的标题（注意，0 表示 Python 中的第一行）
• sep="," 表示","用作值之间的分隔符。 这是因为我们使用的是文件类型 .csv（逗号分隔值）

提示:如果你有一个大的 CSV 文件，你可以使用 head() 函数只显示前 5 行:

数据清洗

查看导入的数据。 如您所见，数据是"脏"的。 带有错误或未注册的值:

• 有一些空白字段
• 9000 次的平均脉搏是不可能的
• 9 000 将被视为非数字，因为有空格分隔符
• 最大脉搏的一次观察被表示为"AF"，这没有意义

因此，我们必须清理数据才能执行分析。

删除空白行

我们看到非数字值（9 000 和 AF）与缺失值位于同一行中。

解决方案:我们可以删除缺少观察的行来解决这个问题。

当我们使用 Pandas 加载数据集时，所有空白单元格都会自动转换为 "NaN" 值。

因此，删除 NaN 单元为我们提供了一个可以分析的干净数据集。

我们可以使用 dropna() 函数删除 NaNs. axis=0 表示我们要删除所有具有 NaN 值的行:

结果是一个没有 NaN 行的数据集:

数据类别

要分析数据，我们还需要知道我们正在处理的数据类型。

数据可以分为三大类:

1. Numerical - 包含数值。 可以分为两类:
   • Discrete:数字被视为"整体"。 示例:您不能训练 2.5 个会话，它是 2 或 3
   • Continuous:数字可以具有无限精度。 例如，您可以睡 7 小时、30 分 20 秒或 7.533 小时
2. Categorical - 包含无法相互衡量的值。 示例:一种颜色或一种训练类型
3. Ordinal - 包含可以相互衡量的分类数据。 示例:A 优于 B 的学校成绩等

通过了解数据的类型，您将能够知道在分析它们时使用什么技术。

数据类型

我们可以使用 info() 函数列出我们数据集中的数据类型:

结果:

我们看到这个数据集有两种不同类型的数据:

• Float64
• Object

我们不能在这里使用对象来计算和执行分析。 我们必须将类型对象转换为 float64（在 Python 中，float64 是一个带小数的数字）。

我们可以使用astype()函数将数据转换成float64。

以下示例将 "Average_Pulse" 和 "Max_Pulse" 转换为数据类型 float64（其他变量已经是数据类型 float64）:

结果:

现在，数据集只有 float64 数据类型。

分析数据

当我们清理完数据集后，我们就可以开始分析数据了。

我们可以使用 Python 中的 describe() 函数来汇总数据:

结果:

• Count - 统计观察次数
• Mean - 平均值
• Std - 标准差（在统计章节中解释）
• Min - 最低值
• 25%、50% 和 75% 是百分位数（在统计章节中有说明）
• Max - 最高值