1 数据集介绍

1.1 训练集

训练集中共有116369个样本，每个样本有23个特征，特征具体介绍如下：

列名	解释
Date：	日期；
Location：	地点；
MinTemp：	最小温度；
MaxTemp：	最大温度；
Rainfall：	降雨量；
Evaporation：	蒸发量；
Sunshine：	一天中阳光明媚的小时数；
WindGustDir：	最强阵风方向；
WindGustSpeed：	最强阵风风速；
WindDir9am：	上午9点风向；
WindDir3pm：	下午3点风向；
WindSpeed9am：	上午9点风速；
WindSpeed3pm：	下午3点风速；
Humidity9am：	上午9点湿度；
Humidity3pm：	下午3点湿度；
Pressure9am：	上午9点压强；
Pressure3pm：	下午3点压强；
Cloud9am：	上午9点云层遮盖了天空的比例；
Cloud3pm：	下午3点云层遮盖了天空的比例；
Temp9am：	上午9点温度；
Temp3pm：	下午3点温度；
RainToday：	今天是否下雨；
RainTomorr：	明天是否下雨。

1.2 测试集

测试集中共有29093个样本，每个样本有22个特征，没有训练集中的RainTomorrow这一项特征。

列名	解释
Date：	日期；
Location：	地点；
MinTemp：	最小温度；
MaxTemp：	最大温度；
Rainfall：	降雨量；
Evaporation：	蒸发量；
Sunshine：	一天中阳光明媚的小时数；
WindGustDir：	最强阵风方向；
WindGustSpeed：	最强阵风风速；
WindDir9am：	上午9点风向；
WindDir3pm：	下午3点风向；
WindSpeed9am：	上午9点风速；
WindSpeed3pm：	下午3点风速；
Humidity9am：	上午9点湿度；
Humidity3pm：	下午3点湿度；
Pressure9am：	上午9点压强；
Pressure3pm：	下午3点压强；
Cloud9am：	上午9点云层遮盖了天空的比例；
Cloud3pm：	下午3点云层遮盖了天空的比例；
Temp9am：	上午9点温度；
Temp3pm：	下午3点温度；
RainToday：	今天是否下雨；

2 导入数据进行数据分析

2.1 浏览数据

#%%import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split# 导入数据
weather = pd.read_csv(r"./work/train.csv",index_col=False)# 观察前五行数据
print(weather.head(5))

      Date   Location  MinTemp  MaxTemp  Rainfall  Evaporation  Sunshine  \
0  2012-03-07   Dartmoor     10.1     24.6       1.2          2.6      11.3   
1  2014-12-21  Newcastle     17.0     28.7       0.0          NaN       NaN   
2  2011-01-14     Albany     17.9     20.8       0.1          9.6      12.1   
3  2011-10-19   Ballarat      8.9     25.5       0.0          NaN       NaN   
4  2013-11-04      Uluru     21.3     38.3       0.0          NaN       NaN   WindGustDir  WindGustSpeed WindDir9am      ...      Humidity9am  \
0         ESE           54.0         SE      ...             86.0   
1         NaN            NaN         NE      ...             63.0   
2         NaN            NaN         NE      ...             61.0   
3         NNE           54.0          N      ...             56.0   
4         ENE           57.0          E      ...             15.0   Humidity3pm  Pressure9am  Pressure3pm  Cloud9am  Cloud3pm  Temp9am  \
0         41.0       1028.6       1025.7       NaN       NaN     13.9   
1         58.0          NaN          NaN       1.0       1.0     24.0   
2         67.0       1005.1       1007.6       5.0       4.0     19.8   
3         44.0       1027.1       1022.9       0.0       NaN     16.7   
4          9.0       1018.4       1013.9       NaN       NaN     28.8   Temp3pm  RainToday  RainTomorrow  
0     23.0        Yes            No  
1     28.0         No            No  
2     20.0         No            No  
3     25.0         No            No  
4     36.9         No            No  [5 rows x 23 columns]

通过简单的观察数据，我们发现有很多需要我们要作的事情，例如Nan值、字符型变量的处理，这些都是特征工程中的难点。

2.2 探索数据

2.2.1 查看数据类型

#%%
# 查看数据类型
weather.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 116368 entries, 0 to 116367
Data columns (total 23 columns):
Date             116368 non-null object
Location         116368 non-null object
MinTemp          115160 non-null float64
MaxTemp          115354 non-null float64
Rainfall         113762 non-null float64
Evaporation      66053 non-null float64
Sunshine         60402 non-null float64
WindGustDir      108111 non-null object
WindGustSpeed    108158 non-null float64
WindDir9am       107925 non-null object
WindDir3pm       112986 non-null object
WindSpeed9am     114940 non-null float64
WindSpeed3pm     113920 non-null float64
Humidity9am      114227 non-null float64
Humidity3pm      112736 non-null float64
Pressure9am      104345 non-null float64
Pressure3pm      104377 non-null float64
Cloud9am         71571 non-null float64
Cloud3pm         68773 non-null float64
Temp9am          114947 non-null float64
Temp3pm          113466 non-null float64
RainToday        113762 non-null object
RainTomorrow     113776 non-null object
dtypes: float64(16), object(7)
memory usage: 20.4+ MB