常见的特征工程/探索性数据分析任务，编制完成

数据分析/科学任务中最耗时的部分是正确地准备和配置数据。模型的性能取决于输入的数据质量，而数据可能需要经历许多转换才能为模型训练做好准备。多年来，我编制了一个Notion (opens new window)页面，其中列举了许多数据科学家常见的任务。 执行数据准备的操作。我列出了一些示例，但是所有示例都可以在以下链接 (opens new window)中找到。在进行探索性数据分析（EDA）或特征工程时，我将继续扩展此链接，以添加其他经常使用的常用函数。

注意：所有这些示例都是使用Python编写的，主要使用Pandas、Numpy和Sci-Kit Learn库。对于可视化，使用了MatPlotLib或Seaborn。

目录

1. 在DataFrame中检查缺失值
2. 删除一列
3. 对一列应用函数
4. 绘制一列值的计数图
5. 按列值对DataFrame进行排序
6. 根据列值删除行
7. 序数编码
8. 对所有分类变量进行编码
9. 其他资源

在DataFrame中检查缺失值

以下代码块使用了Pandas函数 isnull()和sum() 删除一列

Dropping Rows with Missing Values

删除具有缺失值的行

Filling Missing Values with a Specific Value

使用特定值填充缺失值

Filling Missing Values with the Mean

使用平均值填充缺失值

Filling Missing Values with the Median

使用中位数填充缺失值

Filling Missing Values with the Mode

使用众数填充缺失值

Filling Missing Values with Forward Fill

使用向前填充填充缺失值

Filling Missing Values with Backward Fill

使用向后填充填充缺失值

Dropping Rows with a Threshold of Missing Values

删除具有缺失值阈值的行

Dropping Columns with a Threshold of Missing Values

删除具有缺失值阈值的列