在本教程中，让我们了解如何使用Python探索carls.csv数据集。我们将首先加载数据集，然后处理数据。我们还将对数据集进行可视化处理，当准备好最终的数据集后，同样的数据集可以用来开发各种模型。
用Python分析Cars.csv数据集的步骤
我们将使用Pandas和Numpy进行分析。我们还将使用Seaborn库来进行可视化的操作。让我们直接进入这个环节。
1.加载Cars.csv数据集
由于数据集已经是CSV格式，我们所要做的就是将数据格式化为pandas数据框。这是通过导入pandas 库，使用一个名为read_csv 的pandas数据框架方法来完成的。
read_csv 数据框架方法的使用方法是将CSV文件的路径作为一个参数传给函数。当我们使用head 函数时，代码会产生一个整齐的pandas数据框架。
让我们先把所有必要的模块和库导入我们的代码中。
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
sns.set(color_codes=True)
现在，在pandas 模块的帮助下，数据被加载。
df = pd.read_csv("CARS.csv")
df.head()
这个数据集有428 rows 和15 features ，其中有关于不同汽车品牌的数据，如宝马、奔驰、奥迪等，并有关于这些汽车的多种特征，如型号、类型、产地、传动系统、售价等。
2.删除不相关的特征
在后面的章节中，如果我们被要求根据给我们的一些特征来计算汽车的价格。但并不是所有的特征都是确定汽车价格所必需的，我们的目标是从我们的数据集中删除同样的不相关的特征。
我们要删除的特征有：传动系统、车型、发票、类型和产地。所有这些特征对于确定成本都是不必要的。你可以根据你的喜好来删除或保留特征。
df = df.drop(['Model','DriveTrain','Invoice', 'Origin', 'Type'], axis=1)
df.head()
3.寻找重复的数据
在任何数据集中，都可能有重复/多余的数据，为了去除这些数据，我们利用reference feature （在本例中是MSRP）。我之所以将MSRP作为参考，是因为两辆车的价格很少能100%匹配。
为了删除重复的数据，我们使用了下面提到的代码。你可以看到，行数从428行减少到410行。
print("Count before Removing Duplicates: ")
df.count()
输出看起来就像下面显示的那样：
Count before Removing Duplicates:
Make 428
MSRP 428
EngineSize 428
Cylinders 426
Horsepower 428
MPG_City 428
MPG_Highway 428
Weight 428
Wheelbase 428
Length 428
dtype: int64
df = df.drop_duplicates(subset='MSRP', keep='first')
print("Count after Removing Duplicates: ")
df.count()
Count after Removing Duplicates:
Make 410
MSRP 410
EngineSize 410
Cylinders 408
Horsepower 410
MPG_City 410
MPG_Highway 410
Weight 410
Wheelbase 410
Length 410
dtype: int64
4.寻找缺失或空值
没有一个数据集是完美的，数据集中出现缺失值是很常见的事情。现在，有几种方法来处理缺失值。
我们可以放弃任何一行，或者用该列中所有数值的平均值来填补空值。最好是取列值的平均值，而不是删除整个行，因为每一行对开发者来说都很重要。
让我们先看看在我们的数据集中有多少个空值。
print(df.isnull().sum())
你可以观察到，在Cylinders 列中有两个空值，其余的都很清楚。我们的目的是处理该列的两个空值。我们发现空值属于第247 and 248 行，所以我们将用所有数值的平均值来代替。
# Calculate mean of all the values of the column
val = df['Cylinders'].mean()
print("The mean of the column is: ",val)
val = round(val)
print("Rounded value of the mean of the column is: ",val)
# Replace the null value with the mean of the column
df['Cylinders'][247] = val
df['Cylinders'][248] = val
5.将对象值转换为整数类型
如果你还没有观察到，MSRP的值以$ 开始，但是我们需要这些值是整数类型的。因此，我们需要确保在该列的所有数值中去掉美元符号。
df['MSRP'] = [x.replace('$','') for x in df['MSRP']]
df['MSRP'] = [x.replace(',','') for x in df['MSRP']]
df['MSRP']=pd.to_numeric(df['MSRP'],errors='coerce')
df.head()
6.热力图的可视化
热力图是寻找特征之间相关性的最佳方式之一。当热图被绘制出来时，我们可以看到MSRP和马力之间有很强的相关性。
plt.figure(figsize=(10,10))
plt.style.use("seaborn")
c= df.corr()
sns.heatmap(c,cmap='PiYG',annot=True)
希望你能理解这个概念，并将其应用于其他各种CSV文件。谢谢您的阅读!
