点击 “AladdinEdu，同学们用得起的【H卡】算力平台”，H卡级别算力，按量计费，灵活弹性，顶级配置，学生专属优惠。
数据清洗 × 特征可视化 × Kaggle数据集实操
读者收获：1周内具备数据预处理能力
数据科学家80%的时间都在处理数据，而掌握这四件套你将比90%的同行更高效。本文用可复现的Kaggle实战，带你7天打通数据处理任督二脉。
一、四件套定位与协同作战
1.1 工具定位分析
分工明细：
1.2 环境极速配置
# 创建虚拟环境
conda create -n data_science python=3.9
conda activate data_science # 一键安装四件套
pip install numpy pandas matplotlib seaborn # 验证安装
import numpy as np
print(f"NumPy {np.__version__}")
二、NumPy：数据处理的原子操作
2.1 核心数据结构：ndarray
创建数组的5种方式：
import numpy as np # 从列表创建
arr1 = np.array([1, 2, 3]) # 特殊数组
zeros = np.zeros((3, 4)) # 3行4列零矩阵
ones = np.ones((2, 3)) # 2行3列单位矩阵
arange = np.arange(0, 10, 0.5) # 0-10步长0.5
random = np.random.randn(100) # 100个正态分布数
2.2 数组操作：向量化计算
传统循环 vs 向量化：
# 低效循环（避免！）
result = []
for i in range(1000000): result.append(i * 2) # 高效向量化
arr = np.arange(1000000)
result = arr * 2 # 速度提升200倍
广播机制实战：
A = np.array([[1, 2], [3, 4]])
B = np.array([10, 20]) # 自动广播计算
C = A + B # [[11,22], [13,24]]
三、Pandas：数据清洗的瑞士军刀
3.1 核心数据结构解析
3.2 数据清洗六步法
以泰坦尼克数据集为例：
import pandas as pd # 1. 数据加载
titanic = pd.read_csv("titanic.csv") # 2. 数据概览
print(titanic.info())
print(titanic.describe()) # 3. 处理缺失值
titanic['Age'] = titanic['Age'].fillna(titanic['Age'].median())
titanic['Embarked'] = titanic['Embarked'].fillna('S') # 4. 删除无效列
titanic.drop(columns=['Cabin', 'PassengerId'], inplace=True) # 5. 特征工程
titanic['FamilySize'] = titanic['SibSp'] + titanic['Parch']
titanic['IsAlone'] = (titanic['FamilySize'] == 0).astype(int) # 6. 类型转换
titanic['Pclass'] = titanic['Pclass'].astype('category')
3.3 高级数据处理技巧
数据分组聚合：
# 按舱位统计生存率
survival_by_class = titanic.groupby('Pclass')['Survived'].mean() * 100 # 多维度分析
class_sex_grouping = titanic.groupby(['Pclass','Sex']).agg( avg_age=('Age', 'mean'), survival_rate=('Survived', 'mean')
)
数据合并：
# 创建模拟票价表
fare_df = pd.DataFrame({ 'Pclass': [1, 2, 3], 'BaseFare': [100, 50, 25]
}) # 合并到主表
titanic = titanic.merge(fare_df, on='Pclass', how='left')
四、Matplotlib：可视化基础构建
4.1 绘图三步法
import matplotlib.pyplot as plt # 1. 创建画布
fig, ax = plt.subplots(figsize=(10, 6)) # 2. 绘制图形
ax.plot(survival_by_class.index, survival_by_class.values, marker='o', linestyle='--', color='b', label='生存率') # 3. 美化设置
ax.set_title('泰坦尼克号舱位生存率', fontsize=14)
ax.set_xlabel('舱位等级', fontsize=12)
ax.set_ylabel('生存率(%)', fontsize=12)
ax.grid(True, linestyle='--', alpha=0.7)
ax.legend() # 保存输出
plt.savefig('survival_rate.png', dpi=300, bbox_inches='tight')
4.2 常用图表类型速查
五、Seaborn：统计可视化进阶
5.1 关系分析三剑客
import seaborn as sns # 1. 分布关系图
sns.jointplot(data=titanic, x='Age', y='Fare', kind='scatter') # 2. 多变量关系
sns.pairplot(titanic[['Age','Fare','Pclass','Survived']], hue='Survived') # 3. 热度图
corr = titanic.corr()
sns.heatmap(corr, annot=True, cmap='coolwarm')
5.2 分类数据可视化
# 1. 箱线图
sns.boxplot(x='Pclass', y='Age', hue='Survived', data=titanic) # 2. 小提琴图
sns.violinplot(x='Sex', y='Age', hue='Survived', split=True, data=titanic) # 3. 计数图
sns.countplot(x='Pclass', hue='Survived', data=titanic)
特征关联分析矩阵：
g = sns.PairGrid(titanic[['Age','Fare','Pclass','Survived']])
g.map_diag(sns.histplot)
g.map_offdiag(sns.scatterplot)
g.add_legend()
六、Kaggle实战：房价预测全流程
6.1 数据集加载与探索
# 加载Kaggle房价数据集
house = pd.read_csv('house_prices.csv') # 快速探索
print(house.shape)
print(house.info()) # 目标变量分布
sns.histplot(house['SalePrice'], kde=True)
plt.title('房价分布')
plt.show()
6.2 数据清洗与特征工程
# 1. 处理缺失值
missing = house.isnull().sum().sort_values(ascending=False)
missing = missing[missing > 0]
house.drop(columns=missing.index[:5], inplace=True) # 删除高缺失列 # 2. 数值型特征填充
num_cols = house.select_dtypes(include=['int64','float64']).columns
house[num_cols] = house[num_cols].fillna(house[num_cols].median()) # 3. 类别型特征转换
cat_cols = house.select_dtypes(include='object').columns
house[cat_cols] = house[cat_cols].fillna('Unknown')
house = pd.get_dummies(house, columns=cat_cols) # 4. 特征工程
house['TotalSF'] = house['TotalBsmtSF'] + house['1stFlrSF'] + house['2ndFlrSF']
house['Age'] = house['YrSold'] - house['YearBuilt']
6.3 特征可视化分析
# 1. 房价与关键特征关系
fig, axes = plt.subplots(1, 3, figsize=(18, 6))
sns.scatterplot(x='TotalSF', y='SalePrice', data=house, ax=axes[0])
sns.boxplot(x='OverallQual', y='SalePrice', data=house, ax=axes[1])
sns.scatterplot(x='GrLivArea', y='SalePrice', data=house, ax=axes[2]) # 2. 特征相关性
corr_matrix = house.corr()
plt.figure(figsize=(14, 12))
sns.heatmap(corr_matrix[['SalePrice']].sort_values(by='SalePrice', ascending=False), annot=True, cmap='viridis')
七、7天速通学习计划
每日学习路线
gantt title 7天速通计划 dateFormat YYYY-MM-DD section Day1-2 NumPy基础 数组创建与操作 ：active, des1, 2023-08-01, 2d section Day3-4 Pandas核心 数据清洗实战 ：crit, des2, 2023-08-03, 2d section Day5 Matplotlib 图表绘制技巧 ：des3, 2023-08-05, 1d 
