python数据分析与挖掘学习笔记-淘宝商品数据清洗及预处理

Posted 2022-12-05 小胖子小胖子

这一节开始就正式开始啦～～

这一部分主要是针对淘宝的部分商品数据（小零食）进行预处理。

1. 读取商品源数据

这里拿到的数据是sql数据，因此需要使用mysql。首先我们安装好mysql，可以直接通过指令安装：

> sudo apt-get install mysql-server

> apt-get install mysql-client

> sudo apt-get install libmysqlclient-dev

安装过程中别忘记自己设置的密码，最后连接数据库需要该密码。 安装完成后可以通过下面的指令检查是否安装成功：

> sudo netstat -tap | grep mysql

安装好之后，我们现在就需要建立数据库将我们的数据文件导入。

> mysql -u root -p

登录自己的root账户，-p表示需要输入用户密码，按照提示输入密码，登录到mysql。

登录好之后，

mysql> show databases;

创建自己的数据库：

mysql> create database XX;

这里的XX代表你的数据库名，我这里使用的是创建的数据库叫CSDN。

mysql> use CSDN;

这里的use表示切换数据库；现在切换到CSDN数据库上来。

mysql> show tables;

显示所有的表；

这里未创建之前应该是为空，这里我们将taobao.sql文件导入该数据库中，

mysql> source /home/hadoop/taobao.sql

使用source+path的指令将本地的数据导入到数据库中，这时再使用show tables应该就可以看到数据表了。

好，数据导入到数据库之后，现在我们需要用python来处理该数据，就需要用到python与mysql之间的交互。由于Mysqldb模块还不支持python3，因此使用python3想要连接mysql，需要安装pymysql模块。上一节提到过，可以直接使用pip安装，也可以直接在pycharm中安装第三方模块。

File] >> [settings] >> [Project: python] >> [Project Interpreter] >> [Install按钮]

安装好之后，我们可以使用来读取数据：

# coding:utf-8
import numpy as np
import pymysql
import pandas as pda
import matplotlib.pylab as pyl

conn = pymysql.connect(host="127.0.0.1", user="root", passwd="xxxxxx", db="csdn", charset='utf8')
sql = "select * from taobao"
data = pda.read_sql(sql, conn)

这样就可以得到我们的原始数据了。

2. 数据清洗之发现缺失值并对缺失值进行处理

取到数据之后就开始准备处理数据。第一步，是先观察数据，或者是了解数据的属性等特征。

比如我们可以看到数据中含有下面的属性值：

一共有9616条数据，一共有四列数据，也就是四个属性值，分别为：title，link，price， comment。对应于该商品的名称，链接，价格和评论数。

下面对这些数据中的NA值进行清洗：

x = 0
data["price"][(data["price"]==0)] = None
for i in data.columns:
    for j in range(len(data)):
        if(data[i].isnull())[j]:
            data[i][j] = 64
            x += 1
print(x)

将价格为空的数据的价格标为64.

3. 发现大量数据中的异常值并清洗

首先，为了更加直观地观察到异常值，我们可以通过作图来发现。

data2 = data.T
price = data2.values[2]
comment = data2.values[3]
pyl.plot(price, comment, "o")
pyl.show()

由于范围比较大，我们作出的价格与评论数的散点图分布并不很直观。因此，我们考虑缩小范围，将评论数大于5000的和价格大于400的都视为异常值，那我们就假设这样处理好了，异常数据的选取都是可以自己调整范围，逐步根据自己做出来的图形进行判断：

line = len(data.values)
col = len(data.values[0])
dt = data.values

for i in range(0, line):
    for j in range(0, col):
        if dt[i][3] > 5000:  # comment
            dt[i][3] = 562

        if dt[i][2] > 400:  # price
            dt[i][2] = 64

dt2 = dt.T
price = dt2[2]
comment = dt2[3]
pyl.plot(price, comment, "o")
pyl.show()

然后再次作图，得到如下效果：

得到这样的图看起来数据就集中多了。卖家可以通过自己的卖的平时的价格区间截取更加细致的区间，评论数可以一定程度上代表销量，可以从中分析出最好的价格制定点，可以帮助卖家制定合理的价格，获得尽可能大的收益。

4. 数据的离散化处理及分布的分析

要观察数据的分布，我们最好是通过作出数据的直方图来观察。

因此我们计算数据的最大值和最小值，计算组距（极差/组数），绘制直方图。

计算最值：

price_max = dt2[2].max()
price_min = dt2[2].min()
comment_max = dt2[3].max()
comment_min = dt2[3].min()

计算极差：

price_rg = price_max - price_min
comment_rg = comment_max - comment_min

计算组距：

price_dist = price_rg/13
comment_dist = comment_rg/13

绘制直方图：

price_sty = np.arange(price_min, price_max, price_dist)
pyl.hist(dt2[2], price_sty)
pyl.show()

comment_sty = np.arange(comment_min, comment_max, comment_dist)
pyl.hist(dt2[3], comment_sty)
pyl.show()

绘制出来的效果为：

价格的直方图

评论直方图

这里是将数据范围缩减到更小之后求得的数据。评论数是大于65设置为35，价格大于100的设置为64。

然后进一步分析数据的分布规律。

两个直方图中的峰值柱与我们处理数据时的设置值有非常大的关系，因此我们可以弱化这一列的特征，对整个数据进行分析。