keras 处理文本，分类，数值数据，并添加进网络的步骤和方法

一，读取数据：

主要使用pandas 读取，以后考虑使用其他方法（libsvm等）

二，获取训练集和测试集：

这一步主要是划分数据集，drop()掉训练集里的预测那一列

三，处理缺失值：

可以使用fillna(value,inplace)来把缺失值补全

四：送入网络之前的处理：

1；分类信息的处理：

主要使用Keras的Tokenizer方法进行处理：1，使用Tokenizer类对训练集和测试集中的每一类进行词统计（方便embadding层），生成文档词典，以支持基于文档位序生成文本的向量表示。其中时间数据需要用pandas进行特别的处理，数值数据需要转化为数值类型。

2，连续型变量的处理：

如果不是数值型需要转化一下，如果数据的分布很广不便于处理可以使用np.log()进行处理，使其分布在一个较小区间内，对于其中的缺失值使用-1来填充。

3，文本特征：和分类特征不同的点在于文本信息要使用pad_sequences(maxlen)用0来补足。便于后续送入nlp网络

4，分别计算各种特征的长度

5,   划分训练和验证集：获取采样的索引，利用索引分别为分类数值（一块儿处理，如果分开处理需要单独分），文本信息划分训练集和测试集。

五，建立模型

六，训练

七，测试和可视化

八，调整参数