数据预处理（预备知识）

数据预处理

为了能用深度学习来解决现实世界的问题，我们经常从预处理原始数据开始，而不是从那些准备好的张量格式数据开始。

在Python中常用的数据分析工具中，我们通常使用pandas软件包。像庞大的Python生态系统中的许多其他扩展包一样，pandas可以与张量兼容。

本节我们将简要介绍使用pandas预处理原始数据，并将原始数据转换为张量格式的步骤。我们将在后面的章节中介绍更多的数据预处理技术。

读取数据集

举一个例子，我们首先创建一个人工数据集，并存储在CSV（逗号分隔值）文件 …/data/house_tiny.csv中。

以其他格式存储的数据也可以通过类似的方式进行处理，下面我们将数据集按行写入CSV文件中。

import os                      #导入os包

os.makedirs(os.path.join('..', 'data'), exist_ok=True)                #该文件目录已经存在时，也不会出现异常状况
data_file = os.path.join('..', 'data', 'house_tiny.csv')               #生成文件的路径名称


with open(data_file,'w') as fp:
    fp.write('NumRooms,Alley,Price\n')
    fp.write('NA,Pave,127500\n')
    fp.write('2,NA,106000\n')
    fp.write('4,NA,178100\n')
    fp.write('NA,NA,140000\n')                                         #将这些信息写入csv文件之中
1
2
3
4
5
6
7
8
9
10
11
12

要从创建的CSV文件中加载原始数据集，我们导入pandas包并调用read_csv函数。

该数据集有四行三列。其中每行描述了房间数量（“NumRooms”）、巷子类型（“Alley”）和房屋价格（“Price”）。

import pandas as pd                                                   #导入pandas数据处理包

data = pd.read_csv('../data/house_tiny.csv')                           #直接使用csv包的read_csv读取csv文件

1
2
3
4

处理缺失值

注意，“NaN”项代表缺失值。为了处理缺失的数据，典型的方法包括插值法和删除法，其中插值法用一个替代值弥补缺失值，而删除法则直接忽略缺失值。

通过位置索引iloc，我们将data分成inputs和outputs，其中前者为data的前两列，而后者为data的最后一列。

在这里，我们将考虑插值法。对于inputs中缺少的数值，我们用同一列的均值替换“NaN”项。

inputs = data.iloc[:,:2]                                             #pandas的切片操作，取得输入集合
outputs = data.iloc[:,-1]                                            #pandas的切片操作，取得输出集合
1
2

inputs                                                               #输入集数据
1

outputs                                                             #输出集数据        
1

0    127500
1    106000
2    178100
3    140000
Name: Price, dtype: int64
1
2
3
4
5

使用均值替换掉NumRooms中的NaN值

inputs = inputs.fillna(inputs.mean())                              #以平均值填充NaN空值         
1

inputs                                                            #输出填充过的结果
1

对于inputs中的类别值或离散值，我们将“NaN”视为一个类别。

由于“巷子类型”（“Alley”）列只接受两种类型的类别值“Pave”和“NaN”，pandas可以自动将此列转换为两列“Alley_Pave”和“Alley_nan”。

• 巷子类型为“Pave”的行会将“Alley_Pave”的值设置为1，“Alley_nan”的值设置为0。
• 缺少巷子类型的行会将“Alley_Pave”和“Alley_nan”分别设置为0和1。

inputs = pd.get_dummies(inputs, dummy_na=True)                  #'dummies'假人，即对两分类的数据进行标注0或1
print(inputs)
1
2

   NumRooms  Alley_Pave
0       3.0           1
1       2.0           0
2       4.0           0
3       3.0           0
1
2
3
4
5

转换为张量数据

现在inputs和outputs中的所有条目都是数值类型，它们可以转换为张量格式。

当数据采用张量格式后，可以通过在上节中(Pytorch的数据操作)引入的那些张量函数来进一步操作。

import numpy as np                                            #引入numpy数组

X, y = np.array(inputs.values), np.array(outputs.values)       #将pandas数据转化为张量

X, y
1
2
3
4
5

(array([[3., 1.],
        [2., 0.],
        [4., 0.],
        [3., 0.]]),
 array([127500, 106000, 178100, 140000], dtype=int64))
1
2
3
4
5

小结

pandas软件包是Python中常用的数据分析工具中，pandas可以与张量兼容。

用pandas处理缺失的数据时，我们可根据情况选择用插值法和删除法。