练习 - 清理和准备数据

10 分钟

你需要先了解数据集的内容和结构，然后才能准备数据集。在上一实验室中，你导入了包含美国一家主要航空公司的准点到达信息的数据集。该数据包含 26 列和数千行，其中每行代表一个航班，包含航班的出发地、目的地和计划出发时间等信息。你还将数据加载到 Jupyter Notebook 中，并使用简单的 Python 脚本从中创建 Pandas DataFrame。

DataFrame 是二维标签数据结构。 DataFrame 中的列可以为不同类型，就像电子表格或数据库表中的列一样。它是 Pandas 中最常用的对象。在本练习中，你将更深入地了解 DataFrame 及其中的数据。

切换回到你在上一部分中创建的 Azure Notebook。如果关闭了该笔记本，可重新登录 Microsoft Azure Notebooks 门户，打开笔记本，然后使用“单元格”->“全部运行”，在打开笔记本后重新运行笔记本中的所有单元格。

FlightData 笔记本
你在上一实验室中添加到笔记本中的代码会通过 flightdata.csv 创建 DataFrame，并在其中调用 DataFrame.head 以显示前五行。对于数据集，你通常首先想要了解的事项之一是数据集中包含多少行。若要获取计数，请在笔记本末尾的空单元格中键入以下语句并运行它：
```
df.shape
```
确认 DataFrame 包含 11,231 行和 26 列：

获取行数和列数

现在花点时间查看数据集中的 26 列。它们包含重要信息，例如航班飞行日期（YEAR、MONTH 和 DAY_OF_MONTH）、出发地和目的地（ORIGIN 和 DEST）、计划出发和到达时间（CRS_DEP_TIME 和 CRS_ARR_TIME）、以分钟为单位的计划到达时间和实际到达时间之间的差异 (ARR_DELAY)，以及航班是否晚点 15 分钟或更长时间 (ARR_DEL15)。

以下是数据集中的列的完整列表。时间以 24 小时军事时间表示。例如，1130 等于上午 11:30，1500 等于下午 3:00。

列	说明
YEAR	航班飞行的年份
QUARTER	航班飞行的季度 (1-4)
MONTH	航班飞行的月份 (1-12)
DAY_OF_MONTH	航班飞行的当月日期 (1-31)
DAY_OF_WEEK	航班飞行的当周日期（1 = 星期一，2 = 星期二等）
UNIQUE_CARRIER	航空公司代码（例如，DL）
TAIL_NUM	飞机机尾编号
FL_NUM	航班号
ORIGIN_AIRPORT_ID	出发地机场 ID
ORIGIN	出发地机场代码（ATL、DFW、SEA 等）
DEST_AIRPORT_ID	目的地机场 ID
DEST	目的地机场代码（ATL、DFW、SEA 等）
CRS_DEP_TIME	计划出发时间
DEP_TIME	实际出发时间
DEP_DELAY	出发晚点分钟数
DEP_DEL15	0 = 出发晚点不到 15 分钟，1 = 出发晚点 15 分钟或更长时间
CRS_ARR_TIME	计划到达时间
ARR_TIME	实际到达时间
ARR_DELAY	航班到达晚点分钟数
ARR_DEL15	0 = 到达晚点不到 15 分钟，1 = 到达晚点 15 分钟或更长时间
CANCELLED	0 = 航班未取消，1 = 航班已取消
DIVERTED	0 = 航班未转移，1 = 航班已转移
CRS_ELAPSED_TIME	以分钟为单位的计划飞行时间
ACTUAL_ELAPSED_TIME	以分钟为单位的实际飞行时间
DISTANCE	以英里为单位的飞行距离

该数据集包含在全年大致均匀分布的日期，这很重要，因为相较 1 月，从明尼阿波里斯市出发的航班在 7 月因冬季风暴而晚点的可能性更低。但此数据集远非“干净”和随时可用。让我们编写一些 Pandas 代码来清理它。

准备用于机器学习的数据集的最重要方面之一在于，选择与你尝试预测的结果相关的“特征”列，并同时筛选掉不影响结果的列，这可能会以负面方式使其产生偏差，或者可能会产生多重共线性。另一项重要任务是通过删除包含缺失值的行或列，或通过使用有意义的值替换缺失值来清除缺失值。在本练习中，你将清除无关的列并替换剩余列中的缺失值。

数据科学家通常首先在数据集中寻找缺失值。有一种简单的方法可以检查 Pandas 中的缺失值。若要演示，请在笔记本末尾的单元格中执行以下代码：
```
df.isnull().values.any()
```
确认输出为“True”，这表示数据集中某处至少有一个缺失值。

检查缺失值
下一步是找出缺失值所在的位置。为此，请执行以下代码：
```
df.isnull().sum()
```
确认看到以下列出每列中的缺失值计数的输出：

每列中的缺失值数量
有意思的是，第 26 列（“Unnamed:25”）包含 11,231 个缺失值，这等于数据集中的行数。此列被错误地创建，因为你导入的 CSV 文件在每行末尾包含一个逗号。若要清除该列，请将以下代码添加到笔记本中并执行它：
```
df = df.drop('Unnamed: 25', axis=1)
df.isnull().sum()
```
检查输出并确认第 26 列已从 DataFrame 中消失：

删除了第 26 列的 DataFrame
DataFrame 仍然包含许多缺失值，但其中一些缺失值是无用的，因为包含它们的列与你正在构建的模型无关。该模型的目标是预测你考虑预订的航班是否可能准点到达。如果你知道航班可能晚点，你可能会选择预订其他航班。

因此，下一步是筛选数据集以清除与预测模型无关的列。例如，飞机的机尾编号可能与航班是否准点到达几乎没有关联，而在你预订机票时，你无法知道航班是否会取消、转移或晚点。相比之下，计划出发时间可能与准点到达有很大关联。由于大多数航空公司使用轮辐式系统，早上的航班往往比下午或晚上的航班更准时。在一些主要机场，客流量在白天堆积，增加了后期航班晚点的可能性。

Pandas 提供一种简单的方法用于筛选掉不需要的列。在笔记本末尾的新单元格中执行以下代码：
```
df = df[["MONTH", "DAY_OF_MONTH", "DAY_OF_WEEK", "ORIGIN", "DEST", "CRS_DEP_TIME", "ARR_DEL15"]]
df.isnull().sum()
```
输出显示 DataFrame 现在仅包含与模型相关的列，并且缺失值的数量大幅减少：

筛选后的 DataFrame
现在，唯一包含缺失值的列是 ARR_DEL15 列，该列使用 0 来标识准点到达的航班，使用 1 来标识未准点到达的航班。使用以下代码显示包含缺失值的前五行：
```
df[df.isnull().values.any(axis=1)].head()
```
Pandas 使用 NaN 表示缺失值，其表示非数字。输出显示这些行实际上是 ARR_DEL15 列中的缺失值：

包含缺失值的行
这些行缺失 ARR_DEL15 值的原因在于它们全都对应于已取消或转移的航班。你可以在 DataFrame 上调用 dropna 来删除这些行。但是，由于取消或转移到另一机场的航班可能被视为“晚点”，让我们使用 fillna 方法将缺失值替换为 1。

使用以下代码将 ARR_DEL15 列中的缺失值替换为 1 并显示第 177 到 184 行：
```
df = df.fillna({'ARR_DEL15': 1})
df.iloc[177:185]
```
确认第 177、179 和 184 行中的 NaN 被替换为表示航班晚点的 1：

NaN 替换为 1

数据集现在是“干净的”，因为缺失值已被替换，且列的列表已将范围缩小到与模型最相关的列。但你的任务还没有完成。准备数据集以用于机器学习还有很多工作要做。

你正在使用的数据集的 CRS_DEP_TIME 列表示计划出发时间。此列（包含超过 500 个唯一值）中数字的粒度可能会对机器学习模型的准确率产生负面影响。这可以使用名为分箱或量化的技术来解决。如果将此列中的每个数字除以 100 并向下舍入到最近的整数会怎么样？ 1030 将变为 10，1925 将变为 19，依此类推，并且你将在此列中最多留下 24 个离散值。直观地说，这是有道理的，因为航班是在上午 10:30 还是在上午 10:40 出发可能无关紧要。重点在于它是在上午 10:30 出发还是在下午 5:30 出发。

此外，数据集的 ORIGIN 和 DEST 列包含代表分类机器学习值的机场代码。这些列需要转换为包含指示变量（有时称为“虚拟”变量）的离散列。换句话说，包含五个机场代码的 ORIGIN 列需要转换为五列，每个机场一列，且每列都包含指示航班是否从该列所表示的机场出发的 1 和 0。 DEST 列需要以类似的方式进行处理。

在本练习中，你将对 CRS_DEP_TIME 列中的出发时间进行“分箱”，并使用 Pandas 的 get_dummies 方法从 ORIGIN 和 DEST 列创建指示列。

使用以下命令显示 DataFrame 的前五行：
```
df.head()
```
请注意，CRS_DEP_TIME 列包含表示军事时间的 0 到 2359 之间的值。

具有未分箱出发时间的 DataFrame
使用以下语句来对出发时间进行分箱：
```
import math

for index, row in df.iterrows():
    df.loc[index, 'CRS_DEP_TIME'] = math.floor(row['CRS_DEP_TIME'] / 100)
df.head()
```
确认 CRS_DEP_TIME 列中的数字现在落在 0 到 23 的范围内：

具有分箱出发时间的 DataFrame
现在使用以下语句从 ORIGIN 和 DEST 列生成指示列，同时删除 ORIGIN 和 DEST 列本身：
```
df = pd.get_dummies(df, columns=['ORIGIN', 'DEST'])
df.head()
```
检查生成的 DataFrame，注意 ORIGIN 和 DEST 列已替换为与原始列中存在的机场代码对应的列。新列具有 1 和 0，指示给定航班是从对应机场起飞还是飞往对应机场。

具有指示列的 DataFrame
使用“文件”->“保存和检查点”命令来保存笔记本。

该数据集看起来与开始时完全不同，但它现在已经过优化，可用于机器学习。

练习 - 清理和准备数据

反馈