用机器学习分析流行音乐（一）：数据收集和清理

本文是该系列的第一部分，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。

重命名列

接下来，检查数据集是否有空值。

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_chg 和 money_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。

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

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

DAILY_MUSIC_hr 清理前后

yr_merch_spent 清理前后

• age 列

age 清理前后

• fav-grp 列

原始列值

创建单独的列，以查找每个人喜欢的组数

BTS与其他（多个）的单独列

• nes_medium 列

原始列值

简化的列值

• pursuit 列

原始列值

简化的列值

• time_cons_yn 列

原始列值

简化的列值

• life_chg 列

原始列值

简化的列值

• pos_eff 列

原始列值

简化的列值

• money_src 列

原始列

简化的列值

• crazy_ev 列

原始列值

简化的列值

• country 列

原始列值

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。

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