Kaggle官方课程链接：Basic Data Exploration
本专栏旨在Kaggle官方课程的汉化，让大家更方便地看懂。
Basic Data Exploration
加载并理解您的数据。
使用Pandas熟悉您的数据
任何机器学习项目的第一步都是熟悉数据。您将使用Pandas库进行此操作。Pandas是数据科学家用来探索和操纵数据的主要工具。大多数人在代码中将pandas缩写为pd。
import pandas as pdPandas库最重要的部分是DataFrame。DataFrame包含您可能认为是表的数据类型。这类似于Excel中的工作表或SQL数据库中的表。
Pandas对于你想用这类数据做的大多数事情都有强大的方法。
例如，我们将查看澳大利亚墨尔本的房价数据。在实践练习中，您将把相同的过程应用于一个新的数据集，该数据集包含爱荷华州的房价。
示例（墨尔本）数据位于文件路径中/输入/墨尔本住房快照/melb_data.csv。
我们使用以下命令加载和浏览数据：
# 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 |
解读数据描述
结果显示原始数据集中每列有8个数字。第一个数字是计数，显示有多少行没有缺失值。
缺失值的出现有很多原因。例如，在调查一间卧室的房子时，不会收集第二间卧室的大小。我们将回到缺失数据的话题。
第二个值是平均值，即平均值。在这种情况下，std是标准偏差，它衡量的是数值的分散程度。
要解释最小值、25%、50%、75%和最大值，想象一下从最低值到最高值对每列进行排序。第一个（最小）值是最小值。如果你遍历列表的四分之一，你会发现一个大于值的25%但小于值的75%的数字。这就是25%的值（发音为“25th percentury”）。第50和第75百分位数的定义类似，最大值是最大的数字。
Your Turn
开始你的第一个编码练习