关于Pima数据集研究共分为4个篇幅来进行研究：
《关于Pima数据集研究(1)--EDA(探索性数据分析)篇》
《关于Pima数据集研究(2)--DC(数据清洗)篇》
《关于Pima数据集研究(3)--FE(特征工程)篇》
《关于Pima数据集研究(4)--Model(模型搭建与预测)篇》
一、前情提要
该数据集最初来自美国国立糖尿病与消化与肾脏疾病研究所。数据集的目的是基于数据集中包含的某些诊断指标，诊断性的预测患者是否患有糖尿病。从较大的数据库中选择这些实例受到一些限制。特别是，这里的所有患者均为皮马印第安人血统至少21岁的女性。
二、内容
本次主要承接之前的《关于Pima数据集研究(上)--EDA篇》做后续探索研究，主要内容是关于Pima数据的EDA结果进行针对性的数据清洗与深入探索。
三、研究方法
本人是python系，本课题的研究方法与方案均是基于python进行扩展，研究工具包括Anaconda、panda、numpy、sklearn等第三方成熟开源框架。
四、数据清洗（DC）
根据之前的EDA结果发现，数据集中的数据存在部分问题。如果我们直接将本结果带入到后续的统计分析或模型搭建中，势必会得出不可置信结果。因此需要通过数据清洗方法将数据进行处理，我们先来回顾一下字段中0值的数量：
接下来我们根据之前的EDA结果开始进行数据清洗工作。
Pregnancies（怀孕次数），根据EDA结果，范围应该为0～13。因此将>13的结果进行指标拉回处理，亦将>13的数据赋值为13。下图为该字段清洗前后的分布差异；
Glucose（葡萄糖含量）,根据EDA结果，其中有5条样本为0（异常值），上限值未发现异常。因此将5条数据修正为IQR下限值37.125，考虑到数据形态分布，此处采取中位数替换形式进行修正，修正前后结果如下：
接下来我们观察以下该数据的分布情况，如下图所示：
BMI（体重指数），根据EDA结果，数据为0的异常样本共11条，上限值暂未发现异常，因此将异常数据通过数据中位数的值进行填充。结果如下表所示：
接下来我们观察以下该数据的分布情况，如下图所示：
接下开始修正问题数据占比较高的特征。这里我们尝试使用回归分析来进行数据填补（'·'谁让我爱折腾呢'·'），不废话，直接上结果。
BloodPressure（血压）,根据EDA结果，存在35条样本的0值。此处采用与之前不同的处理方法来对数据进行处理（回归预测添补法）。这里采用的是LightGBM进行回归预测，先通过数据集切分和特征提取，结果如下图：
在此说明一下为什么只选择了者5个特征：
1、这5个特征是经过之前的EDA和数据清洗后可用的数据；
2、Outcome为我们的最终预测目标，如果加入进行预测BloodPressure可能会影响到最终的预测结果；
3、除上图5个特征以外的特征还未进行数据清洗，可能会影响到最终的结果；
接下来简单介绍一下数据预处理与回归预测的方法：
1、选择建模使用特征；
2、通过数据标准化处理数据，将数据拉到相同维度；
3、通过网格搜索进行简单超参选择；
4、搭建回归模型；
5、计算数据误差；
6、通过模型预测结果；
以下为模型计算的RMSE指标：
The rmse of prediction is: 10.460150358058625
模型预测结果展示：
通过BloodPressure修正分布图来看，发现修正后数据整体分布更加接近正态分布，且将异常数据进行了修正。
SkinThickness（皮下脂肪厚度，单位mm），根据EDA结果，存在227条样本的0值，占整体近30%的数据。再此
The rmse of prediction is: 4.6980404261770
此处采用上述相同方法进行预测填补，操作流程和步骤与上一步相同，此处不再废话，直接上结果：
看到上面诡异的预测结果发现数据预测有问题，检查预测之后整体的数据分布，如下图：
通过上图发现，预测填补的数据造成了数据的双峰分布，且主要分布在30的位置。而87的第二波峰由于预测结果导致的。由此发现，虽然模型计算出来的rmse评估相对较低，但是最终填补模型时导致数据形态变化较大。因此放弃预测填补方法，而是采用去0后的中位数进行填补，结果如下：
通过中位数对SkinThickness进行修正后对比其他结果有相对较好的正态分布效果，但由于值的占比过大，因此呈现出较高峰值，因此此方法对数据处理的效果仍然不是太理想，此时我们需要通过其他方式尝试对异常数据填补；
考虑再三，此时考虑引入之前均未尝试过的方法，也就是随机插补法对数据进行修复。顾名思义，也就是通过从非0数据中随机抽取数据对目标数据进行修复；接下来我们观察一下该方法的数据分为数统计结果，如下表：
经过上述统计结果我们发现了一个较为诡异的数据，也就是该特征的max(最大值)，之前在进行EDA的时候并未发现该数据异常。但从数据来看，99%的数据值才到53.2，与最大值差距较大。因此需要进行进一步IQR检验来判断改值是不是超出了正常范围内。结果进行计算发现IQR的上限值只有57而已，果然存在部分数据远远超出了IQR范围，此时为了后续数据的分布有效性，在此将该部分数据也同样进行处理；效果如何，如下图所示：
通过上图我们不难发现，该方法相比于中位数和预测填补法的效果都要好得多，且几乎呈现出正态分布的样式。
Insulin（餐后2小时血清胰岛素含量），根据EDA结果，存在374条样本的0值，占整体近一半的数据。我们先来尝试使用回归预测的方式进行数据填补，结果如下：
The rmse of prediction is: 90.29597227916564
根据模型计算得到的rmse来看，效果很不理想，因此此处放弃使用模型预测。此处根据EDA的结果发现，需要进行填补修复的数据较多，若采用之前的中位数填补势必会影响到整体的数据分布，效果如下图所示：
通过上图发现，采用中位数对异常数据进行填补后，会造成整体数据的波峰异常高，且出现部分锯齿状数据，这样对整体数据效果会有影响，我们先来观察一下Insulin特征含0和非含0的数据分布情况，如下图：
经过上图观察发现，由于0占比较多，已经将整体的数据样本分布拉偏，因此需要进行数据的调整优化；
由于需要修补的数据较多，因此采用之前的思路，随机插补法来对数据进行修复；只不过这里我们进行一点方法的改进，运用定向随机插补发，也就是在一定范围内选择随机数进行填补。直接上我做的步骤：
1、计算非0数据的1/4和3/4分为数；
2、每个值采用有放回抽样的方式，从分为数范围内进行数据随机抽取；
3、将抽取到的数据进行数据替换；
下图为Insulin非0数据的数据分布：
通过上述方法进行数据抽样，我们先生从目标范围内抽取一批与需要替换数量相同的数据列表，结果如下：
我们将抽样得到的结果对目标数据进行替换，下图为替换为的数据分布：
经过上述定向随机抽样法修复数据后我们发现，整体数据分布更加接近正态分布，修复方法已对检测出的异常方法有较好的效果。但其中存在大部分的长尾数据，因此还需要后续通过特征工程的方法对数据进行处理。
五、总结
到此为止，我们已经完成了数据清洗的工作。通过下表回顾一下在该数据集中我们都用了哪些数据清洗方法：
从整体来看，数据清洗建立在我们之前的EDA基础上，且需要尝试不同方法对数据进行清洗，这样才能够获得相对较高质量的数据；
六、后续
EDA我们差不多到这里，接下来我们根据EDA结果进行各个特征的DC(数据清洗)，可以关注后续的《关于Pima数据集研究(中)--DC(数据清洗)篇》。
