“深度学习”小组学习的Task02-预备知识

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

本文章为Datawhale“深度学习”小组学习的Task02-预备知识-学习日志

---

学习链接：添加链接描述

一、数据操作

1.张量

2.常用张量相关代码调用

2.1. 创建

2.2. 运算符

2.3. 广播机制

2.4. 索引/切片

2.5. 节省内存

X[:] = X + Y或X += Y比Y = Y + X减少操作的内存开销

2.6. 转换为其他Python对象

将大小为1的张量转换为Python标量，调用‘item（）’函数或Python的内置函数

2.8. 练习

1.将本节中的条件语句X == Y更改为X < Y或X > Y，然后看看你可以得到什么样的张量。

2.用其他形状（例如三维张量）替换广播机制中按元素操作的两个张量。结果是否与预期相同？

二、数据预处理

1.读取数据集

1.创建数据集，并存于csv

import os #os库主要是对文件和文件夹进行操作

os.makedirs(os.path.join('..', 'data'), exist_ok=True)
"""
os.makedirs() 方法用于递归创建目录。
语法格式：os.makedirs(path, mode=0o777)
参数：
path -- 需要递归创建的目录，可以是相对或者绝对路径。
mode -- 权限模式。
返回值：无
例：
path = "/tmp/home/monthly/daily"
os.makedirs( path, 0755 );
os.path.join() 用于拼接文件的路径，可以传入多个待拼接的路径，/自动填充
"""
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.csv读取

import pandas as pd

data = pd.read_csv(../data_file)
print(data)

2.处理缺失值（“NaN”）

1.常用方法
（1）插值法

• 用一个替代值弥补缺失值

• 数值类数据

1. 通过位置索引a.iloc()函数将数据划分为两部分
2. 通过a.fillna(）填充（可填充均值/众数/回归等）

• 类别类/离散型数据
  通过pd.get_dummies(）将特征变量变为特征距离。（类别的值较多不是太好的方式）

（2）删除法：直接忽略缺失值

3.转换为张量格式

三、数据预处理

1.标量/向量

2.矩阵

3.张量

四、微积分

1.张量