一个机器学习竞赛中，题目大意如下，本文主要记录数据处理过程，为了模型训练，第一步需要将中文数据集处理为数值类别数据集保存。
基于大数据的运营商投诉与故障关联分析
目标：原始数据集是含大量中文的xls格式的表格，目标处理为数值类别的csv表格。
原始数据集部分切片，如下格式：
目标数据集为，处理成对应的数值类别格式，如下：
解决思路：（处理中文需要注意编码）
总体分两步，1.提取每一列的值（含中文），作为key关键字，value为自增的整数，构造字典。利用了字典的key唯一的特性。
2.根据上一部提取的字典，对照字典，将数据集的中文key，替换为对应的value，即可。
源码如下：
from pandas import DataFrame
import pandas as pd
import matplotlib.pyplot as plt
import xlrd
fd = pd.read_excel("complain.xls", encoding='utf-8',header=None)
# fd[fd.notnull()]#查看缺失值情况 newdf = pd.DataFrame()#保存处理后的数据集 keydf = pd.DataFrame()#保存中文对照表 for i in range(len(fd.columns)): newdata = {}#利用字典的key唯一特性，去除重复的文字，并利用value index = #累加数值 rowline = [] keylist = [] rowdf = pd.DataFrame() ,len(fd)):#.提取关键字字典，key为中文，value为累加整型 key = fd.iloc[j,i] if key not in newdata.keys(): newdata[key] = index index += keylist.append(key)#将中文提取出来，方便对照 rowdf = pd.DataFrame({i: keylist})#保存中文对照表 keydf = pd.concat([keydf, rowdf], axis=, ignore_index=True) , len(fd)):#.根据对照表，将中文替换成对应的数值 rowline.append(newdata[fd.iloc[k,i]]) rowdf = pd.DataFrame({i: rowline})#保存处理后的表 newdf = pd.concat([newdf, rowdf], axis=, ignore_index=True) print newdf.info() newdf.to_csv('newdata.csv') keydf.to_csv('keylist.csv', encoding='gbk')
具体，pandas的DataFrame表的创建和联表操作，需要查看官方文档：http://pandas.pydata.org/pandas-docs/stable/merging.html
继续更新关联规则挖掘和决策树对数据做模型处理。