### Python 数据预处理 6.1 到 6.2 例题代码及结果 在数据预处理阶段，通常需要完成数据的清洗、统计分析以及排序等操作。以下是针对引用内容中提到的 **6.1 数据描述性统计与清洗** 和 **6.2 图像处理与计算机视觉** 的 Python 实现代码和结果。 --- #### 6.1 数据描述性统计与清洗 此部分主要包含以下步骤：导入程序库、读取数据、查看统计信息和空值、检查重复数据并清理、空值处理以及统计分析。 ```python # a. 导入程序库 import pandas as pd import numpy as np # b. 读取数据 data = pd.read_csv('example_data.csv') # 假设数据文件名为 example_data.csv # c. 查看统计信息和空值 print(data.describe()) # 统计信息 print(data.isnull().sum()) # 空值数量统计 # d. 查看是否有重复数据以及清理重复数据 print(f"原始数据行数: {len(data)}") data.drop_duplicates(inplace=True) print(f"清理重复后数据行数: {len(data)}") # e. 空值清理（以删除空值为例） data.dropna(inplace=True) # f. 针对清洗后的数据进行统计分析 print(data.describe()) # 清洗后的统计信息 ``` 上述代码实现了从数据读取到清洗的完整流程[^1]。通过 `describe()` 方法可以获取数据的基本统计信息，如均值、标准差、最小值、最大值等。同时，`isnull()` 和 `drop_duplicates()` 方法分别用于检测空值和清理重复数据。 --- #### 6.2 图像处理与计算机视觉 在图像处理领域，通常会使用 OpenCV 或 PIL 库进行数据预处理。以下是一个简单的图像预处理示例： ```python # 导入必要的库 import cv2 import numpy as np from matplotlib import pyplot as plt # 读取图像 image = cv2.imread('example_image.jpg', cv2.IMREAD_GRAYSCALE) # 假设图像文件名为 example_image.jpg # 显示原始图像 plt.imshow(image, cmap='gray') plt.title("Original Image") plt.show() # 图像缩放 resized_image = cv2.resize(image, (100, 100)) # 显示缩放后的图像 plt.imshow(resized_image, cmap='gray') plt.title("Resized Image") plt.show() # 图像归一化 normalized_image = resized_image / 255.0 # 显示归一化后的图像 plt.imshow(normalized_image, cmap='gray') plt.title("Normalized Image") plt.show() ``` 上述代码展示了如何使用 OpenCV 和 Matplotlib 对图像进行读取、缩放和归一化处理[^2]。这些操作是机器学习模型训练前常见的图像预处理步骤。 --- ### 结果展示 对于 **6.1 数据描述性统计与清洗**，假设输入数据如下： | Column A | Column B | Column C | |----------|----------|----------| | 1 | 2 | NaN | | 3 | NaN | 4 | | 5 | 6 | 7 | 运行代码后，输出的统计信息可能为： ``` Column A Column B Column C count 3.000000 2.000000 2.000000 mean 3.000000 4.000000 5.500000 std 2.000000 2.828427 2.121320 min 1.000000 2.000000 4.000000 25% 2.000000 3.000000 4.750000 50% 3.000000 4.000000 5.500000 75% 4.000000 5.000000 6.250000 max 5.000000 6.000000 7.000000 ``` 对于 **6.2 图像处理与计算机视觉**，假设输入图像大小为 500x500 像素，运行代码后，图像将被缩放到 100x100 像素，并且像素值范围从 [0, 255] 归一化到 [0, 1]。 ---