数据预处理

如果有一个原始数据文件，怎么读取出来，进行机器学习的处理?

• 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。

1. 创建数据集

• 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
• 将数据集按行写入CSV文件中

import os

os.makedirs(os.path.join('..', 'data'), exist_ok=True)
data_file = os.path.join('..', 'data', 'house_tiny.csv')
with open(data_file, 'w') as f:
    f.write('NumRooms,Alley,Price\n')  # 列名
    f.write('NA,Pave,127500\n')  # 每行表示一个数据样本
    f.write('2,NA,106000\n')
    f.write('4,NA,178100\n')
    f.write('NA,NA,140000\n')

2. 读取数据集

• 导入pandas包并调用read_csv函数读取文件

import pandas as pd

data = pd.read_csv(data_file)
print(data)
#    NumRooms Alley   Price
#0       NaN  Pave  127500
#1       2.0   NaN  106000
#2       4.0   NaN  178100
#3       NaN   NaN  140000

3. 处理缺失值

“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

• 插值法：用一个替代值弥补缺失值。
• 删除法：直接忽略缺失值

在这里，我们将考虑插值法。

3.1 fillna方法填充缺失值

# 使用Pandas的iloc方法按位置选择数据，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。
inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2] 
# fillna填充NaN值， mean列平均值填充
inputs = inputs.fillna(inputs.mean())
print(inputs)
#    NumRooms Alley
#0       3.0  Pave
#1       2.0   NaN
#2       4.0   NaN
#3       3.0   NaN

3.2 get_dummies方法将分类变量转换为虚拟变量

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。

inputs = pd.get_dummies(inputs, dummy_na=True)
print(inputs)
#    NumRooms  Alley_Pave  Alley_nan
#0       3.0           1          0
#1       2.0           0          1
#2       4.0           0          1
#3       3.0           0          1

4. 转换为张量格式

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，可以使用张量函数进行处理。

X = torch.tensor(inputs.to_numpy(dtype=float))
y = torch.tensor(outputs.to_numpy(dtype=float))
X
# (tensor([[3., 1., 0.],
#         [2., 0., 1.],
#         [4., 0., 1.],
#         [3., 0., 1.]]),
y
#  tensor([127500., 106000., 178100., 140000.]))