数据预处理

创建数据集：

#创建数据集
primitive = {'NumRoom':pd.Series([2, 4], index=[1, 2]),
             'Alley':pd.Series(['Pave'], index=[0]),
             'Price':pd.Series([1999,343434,8888,2223], index=[0,1,2,3])}
data = pd.DataFrame(primitive)
print(data)

数据预处理： 

#数据预处理
#插值，填补空值
input = data.iloc[:,0:2]
output = data.iloc[:,2]
input = input.fillna(input.mean(numeric_only=True))# 缺失值填补为平均值，input.mean()求平均值函数，参数指定只对数字求平均
print(input)
#对某一列的值进行分类表示（将字符转化为数字表示），对NA缺失值单独设一列
input = pd.get_dummies(input, dummy_na=True, dtype=int)# dummy_na的默认值为False,表示忽略缺失值，不会为缺失值单独设一列
print(input)
# 转化为Tensor数据
X,Y = torch.tensor(input.values),torch.tensor(output.values)
print(X,Y)

将数据集变成Tensor张量，便于深度学习下一步处理