Categories
程式開發

用机器学习分析流行音乐(一):数据收集和清理


本文是本教程的第一部分,我将在本文中讲述如何收集流行音乐的数据并清理。 目前,全部代码已经放到了GitHub上

多年来,韩国流行音乐成为一种全球性现象,其流行程度让我感到惊讶。 所以,我决定用机器学习来分析韩国流行音乐,探索有趣的见解。 本文,我将阐述数据科学周期中的数据收集和数据清理阶段。

数据收集

为了找到数据集,我不得不在谷歌上进行了搜索,我发现了一个 Excel 文档,内含针对社交媒体和韩国流行音乐的调查,我觉得很有意思。数据集包含来自世界各地的 240 名韩国流行音乐歌迷,共有 22 个调查问题。

数据集链接:Ranman,Saanjana(2020):KPOP DATA.xlsx. figshare. Dataset.

数据清理

数据清理是重要的一步,因为需要为 EDA 和模型构建提供最干净的数据。如果放进去的是垃圾,那么从模型中得到的也是垃圾。

数据集可能有前导空格和尾随空格。因此,我决定使用函数来删除第一列的“Timestamp”,因为没有用处。

# function to remove the leading and trailing whtte space in the data frame 
def trim(dataset): 
# using .strip() to remove the leading and the trailing white spaces in each cell 
trim = lambda x: x.strip() if type(x) is str else x 
  return dataset.applymap(trim) 

由于列名太长,我决定给它们提供代码名称,以简单地表示列名。

用机器学习分析流行音乐(一):数据收集和清理 1

重命名列

接下来,检查数据集是否有空值。

用机器学习分析流行音乐(一):数据收集和清理 2

检查空值

有三个列具有空值。首先,让我们检查只有一个空值的列。

我发现 life_chgmoney_src 中的空值是“ n/a ”,因此,我简单地将它们替换为字符串“ none ”。

对于 daily_MV_hr 列,我决定用平均值替换空值。处理空值有多种方法(删除行、分配唯一类或者运行回归模型来预测缺失值等),但我认为用平均值替换它们是最佳选择。

我取了 1 和 4 的平均值,也就是 2.5 小时,去掉了“hours”(小时)这个词。我注意到有些类别在范围内,所以为了简单起见,我取了这些范围的平均值,创建了一个特殊函数来处理这个问题。

# function to find the mean when some have ranges and others don't 
def split_mean(x): 
# split before and after the hyphen (-) 
split_num = x.split("-") 
if len(split_num) == 2: 
  return (float(split_num[0])+float(split_num[1]))/2 
  # those who aren't in the range 
  else: 
    return float(x) 
# apply the split_mean function to the "daily MV hours" column 
daily_mv = daily_mv.apply(lambda x: split_mean(x)) 

该函数用来在一些有范围而另一些没有范围的情况下查找平均值。

用机器学习分析流行音乐(一):数据收集和清理 3

清理 daily_MV_hr 列前后对比

我意识到这个数据集有点混乱。所以我重复了类似的步骤来清理每一列。

  • yr_listened ” 列

用机器学习分析流行音乐(一):数据收集和清理 4

用机器学习分析流行音乐(一):数据收集和清理 5

清理 yes_listened 列的过程

我将展示每个列的清理前后图片。

  • daily_usic_hr ” 列

用机器学习分析流行音乐(一):数据收集和清理 6

用机器学习分析流行音乐(一):数据收集和清理 7

DAILY_MUSIC_hr 清理前后

用机器学习分析流行音乐(一):数据收集和清理 8

用机器学习分析流行音乐(一):数据收集和清理 9

yr_merch_spent 清理前后

  • age

用机器学习分析流行音乐(一):数据收集和清理 10

age 清理前后

  • fav-grp

用机器学习分析流行音乐(一):数据收集和清理 11

原始列值

用机器学习分析流行音乐(一):数据收集和清理 12

创建单独的列,以查找每个人喜欢的组数

用机器学习分析流行音乐(一):数据收集和清理 13

BTS与其他(多个)的单独列

  • nes_medium

用机器学习分析流行音乐(一):数据收集和清理 14

原始列值

用机器学习分析流行音乐(一):数据收集和清理 15

简化的列值

  • pursuit

用机器学习分析流行音乐(一):数据收集和清理 16

原始列值

用机器学习分析流行音乐(一):数据收集和清理 17

简化的列值

  • time_cons_yn

用机器学习分析流行音乐(一):数据收集和清理 18

原始列值

用机器学习分析流行音乐(一):数据收集和清理 19

简化的列值

  • life_chg

用机器学习分析流行音乐(一):数据收集和清理 20

原始列值

用机器学习分析流行音乐(一):数据收集和清理 21

简化的列值

  • pos_eff

用机器学习分析流行音乐(一):数据收集和清理 22

原始列值

用机器学习分析流行音乐(一):数据收集和清理 23

简化的列值

  • money_src

用机器学习分析流行音乐(一):数据收集和清理 24

原始列

用机器学习分析流行音乐(一):数据收集和清理 25

简化的列值

  • crazy_ev

用机器学习分析流行音乐(一):数据收集和清理 26

原始列值

用机器学习分析流行音乐(一):数据收集和清理 27

简化的列值

  • country

用机器学习分析流行音乐(一):数据收集和清理 28

原始列值

用机器学习分析流行音乐(一):数据收集和清理 29

简化的列值

至此,数据清理完成,我将清理过的数据帧保存为 CSV 文件,以供本教程的下一部分使用。

用机器学习分析流行音乐(一):数据收集和清理 30

将清理后的数据帧保存到 CSV

在第二部分中,我将讨论本教程的探索性数据分析部分。

作者介绍

Jaemin Lee,专攻数据分析与数据科学,数据科学应届毕业生。

原文链接:

https://towardsdatascience.com/analyzing-k-pop-using-machine-learning-part-1-data-collection-cleaning-4b407baf7bce