概述

获取第三章的思维导图文件, jupyter代码文件和数据集可以在我们的公众号"数据臭皮匠" 中回复"第三章1" 获取

1.数据清理

缺失值处理

处理缺失值得几种方法,了解下就好,深究也没意思,需要在建模的过程中逐步体会每一种方法的优缺点,换了缺失值的处理方法,可能对预测结果也没啥影响，也可能影响很大，需要一点点提升模型精度的时候可以逐个试下，上图中的处理方法从上到下越来越靠谱，但实现起来也愈加麻烦。

噪声数据处理

噪声处理，我觉得回归的方法用的最少，分箱在建立逻辑回归时用的很多，离群点分析显得不够成体系，明显的数据错误会处理下，更隐蔽的异常值需要在遇到的时候再处理

2.数据集成冗余和相关分析

卡方检验

书中对卡方检验的计算步骤说明的很清楚, 详细代码实现可以参考上述代码, 计算结果和书中一致

相关系数

相关系数是常用的衡量两列数据是否相关的指标, 本文将使用Q-Q图文章中使用的学生成绩数据集, 计算学生的数学分数和阅读分数的相关性

皮尔逊相关系数

皮尔逊相关系数的计算有成熟的包可以调用, 建议读者直接调包使用, 如果想练习下计算过程可以参考上图的手写函数

协方差

以上代码显示, 当除以(n-1) 时得到的结果和调包计算结果是一致的, 除以n时是不一致的, 这并不说明书中公式错了, 详细解释涉及到统计学中协方差和样本协方差的区别问题，样本协方差通常是作为协方差的估计量来使用的，如果除以 n，那么这个估计是最大似然的，如果除以 n-1，那么这个估计是无偏的。这两个优点不可兼得，就看你更注重哪个了，好在 n 大了之后，二者的差别就可以忽略了。

协方差的计算有成熟的包可以调用, 建议读者直接调包使用, 如果想练习下计算过程可以参考上图的手写函数