Data préprocessing (prétraitement des données)

Introduction
Le data preprocessing est une étape cruciale dans tout projet d'analyse de données. Elle consiste à préparer les données pour l'analyse ultérieure en
nettoyant les données, en les transformant et en les sélectionnant.

Dans cet article, nous allons utiliser une base de données d'authentification des billets de banque pour illustrer les différentes étapes du data
preprocessing en utilisant Python et Jupyter Notebook. Nous allons utiliser des formules et des codes pour expliquer chaque étape.

Collecte des données

Dans cet exemple, nous avons téléchargé la base de données d'authentification des billets de banque du référentiel UCI ML. Le lien de téléchargement de
la base de données est : https://www.kaggle.com/ritesaluja/bank-note-authentication-uci-data

Après avoir téléchargé la base de données, nous lisons le fichier csv en utilisant la bibliothèque pandas :

Etape 1 : Importation des bibliothèques

In [1]: # Importation des bibliothèques nécessaires
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.preprocessing import StandardScaler
sns.set()

Etape 2 : Chargement des données

Nous allons charger les données en utilisant la fonction read_csv de pandas.
In [3]: # Chargement des données depuis le fichier csv
df = pd.read_csv("BankNote_Authentication.csv")

Etape 3 : Exploration des données

Nous allons explorer les données pour comprendre leur structure et leurs caractéristiques.
In [4]: # Affichage des 5 premières lignes
df.head()
Out[4]: variance skewness curtosis entropy class

0 3.62160 8.6661 -2.8073 -0.44699 0

1 4.54590 8.1674 -2.4586 -1.46210 0

2 3.86600 -2.6383 1.9242 0.10645 0

3 3.45660 9.5228 -4.0112 -3.59440 0

4 0.32924 -4.4552 4.5718 -0.98880 0

In [5]: # Affichage des informations sur les colonnes

df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1372 entries, 0 to 1371
Data columns (total 5 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 variance 1372 non-null float64
1 skewness 1372 non-null float64
2 curtosis 1372 non-null float64
3 entropy 1372 non-null float64
4 class 1372 non-null int64
dtypes: float64(4), int64(1)
memory usage: 53.7 KB
In [6]: # Affichage des statistiques descriptives
df.describe()
Out[6]: variance skewness curtosis entropy class

count 1372.000000 1372.000000 1372.000000 1372.000000 1372.000000

mean 0.433735 1.922353 1.397627 -1.191657 0.444606

std 2.842763 5.869047 4.310030 2.101013 0.497103

min -7.042100 -13.773100 -5.286100 -8.548200 0.000000

25% -1.773000 -1.708200 -1.574975 -2.413450 0.000000

50% 0.496180 2.319650 0.616630 -0.586650 0.000000

75% 2.821475 6.814625 3.179250 0.394810 1.000000

max 6.824800 12.951600 17.927400 2.449500 1.000000

In [7]: # Affichage des valeurs uniques d'une colonne

df["class"].unique()
Out[7]:array([0, 1], dtype=int64)
In [8]: # Affichage des valeurs manquantes par colonne
df.isnull().sum()
Out[8]:variance 0
skewness 0
curtosis 0
entropy 0
class 0
dtype: int64

Etape 4 : Nettoyage des données

Après avoir exploré les données, nous allons nettoyer les données en supprimant les valeurs manquantes, les doublons et les colonnes inutiles.
In [9]: # Suppression des doublons
df.drop_duplicates(inplace=True)

# Suppression des lignes avec des valeurs manquantes

df.dropna(inplace=True)

# Réinitialisation de l'index
df.reset_index(drop=True, inplace=True)

Etape 5 : Transformation des données

Après le nettoyage des données, nous allons transformer les données pour qu'elles soient exploitables. Nous allons créer de nouvelles colonnes à partir
des colonnes existantes et convertir les données en formats exploitables.
In [10]: # Conversion de la colonne "class" en format numérique
df["class"] = pd.to_numeric(df["class"])

# Normalisation des données

scaler = StandardScaler()
df[["Variance", "entropy"]] = scaler.fit_transform(df[["variance", "entropy"]])

Etape 6 : Visualisation des données

La visualisation des données est une étape importante pour comprendre la distribution des données et les relations.
In [11]: # Créer la grille de sous-figures
fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(15, 5))

# Distribution de la variable "Variance"

sns.histplot(df["Variance"], kde=True, ax=axes[0])
axes[0].set_title('Distribution de la variable Variance')

# Relation entre la variable "Variance" et la variable cible "class"

sns.boxplot(x=df["class"], y=df["Variance"], ax=axes[1])
axes[1].set_title('Relation entre la variable Variance et la variable cible class')

# Matrice de corrélation
sns.heatmap(df.corr(), annot=True, cmap="coolwarm" , ax=axes[2])
axes[2].set_title('Matrice de corrélation')

# Affichage du graphique
plt.show()
Conclusion
Dans ce notebook, nous avons abordé les différentes étapes de prétraitement des données pour l'analyse. Nous avons importé les bibliothèques
nécessaires, chargé les données, exploré les données, nettoyé les données, transformé les données et visualisé les données.

Le Data Preprocessing est une étape importante dans l'analyse de données car elle permet de préparer les données pour l'analyse en éliminant les
erreurs, les données inutiles et en transformant les données en formats exploitables. Cette étape est cruciale pour obtenir des résultats fiables et précis
lors de l'analyse de données.

Il est important de comprendre que le prétraitement des données est un processus itératif qui peut nécessiter plusieurs ajustements en fonction des
résultats obtenus lors de l'analyse des données.

Le lien de téléchargement de la base de données utilisée dans ce notebook est : https://www.kaggle.com/ritesaluja/bank-note-authentication-uci-data.

Il est important de noter que ce notebook n'est qu'un exemple et que le Data Preprocessing peut varier en fonction des données et des objectifs de
l'analyse. Il est recommandé de personnaliser le processus de prétraitement des données en fonction de chaque situation.

Emmanuel Evilafo

github : https://github.com/Evilafo Site web : http://research.evilafo.com/

Loading [MathJax]/extensions/Safe.js