利用pandas进行数据预处理

在python的众多包中，pandas可以与张量兼容，因此我们在深度学习中一般运用pandas来进行数据的预处理，并将其转换成张量的形式。pandas进行数据预处理一般包括以下几个方面：

• 读取数据集
• 处理缺失值
  • 有具体数值
  • 类别值或离散值
• 转换成张量格式

1.读取数据集

我们以一个具体的例子进行说明，假设我们创建一个数据集文件csv（逗号分割值）文件，并且写入一些数据，包含一个人的班级、名字和分数等信息

import os

os.makedirs(os.path.join('..', 'data'), exist_ok=True)
data_file = os.path.join('..', 'data', 'name_score.csv')
with open(data_file, 'w') as f:
    f.write('Class,name,score\n')  # 列名
    f.write('NA,Tom,100\n')  # 每行表示一个数据样本
    f.write('2,NA,60\n')
    f.write('4,NA,82\n')
    f.write('NA,NA,76\n')

这时候我们已经创建了…/data/name_score.csv的文件，并写入了一些信息，接下来我们将其读取出来

import pandas as pd # 我们利用pandas中的read_csv函数操作

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

读取结果为

	Class name  score
0    NaN  Tom    100
1    2.0  NaN     60
2    4.0  NaN     82
3    NaN  NaN     76

2.处理缺失值

在上面我们进行了数据集的创建及读取工作，但是我们发现有些数据是NaN，也就是所谓的缺失值，此时我们需要对缺失值进行处理。对缺失值的处理一般有两种方法，分别是插值法和删除法，操作的类型也主要有两种，一种是有具体数值的，另一种是类别值或离散值。
我们首先利用位置索引iloc将data分成两部分，其中第一二列成为inputs，分数的一列为outputs

inputs, outputs = data.iloc(:, 0:2), data(:, 2)  # 注意我们是按列分的，因此前一个参数使用：来代表
# 我们将该列的行全部读取

接下来我们利用插值法对缺失的值进行补全，这里用到fillna()函数。

2.1有具体数值的插值法

一般来说有具体数值的，我们补全的时候使用现有数值的平均数来补全。例如class的缺失值使用2跟4的平均值3来进行补全。

inputs = inputs.fillna(inputs.mean()) # mean()函数求平均值
print(inputs)

输出结果为

	Class name
0    3.0  Tom
1    2.0  NaN
2    4.0  NaN
3    3.0  NaN

可以看到有具体数值的缺失值部分已经被补齐。

2.2 类别值或离散值插值法

对于inputs中的类别值或离散值，我们将“NaN”视为一个类别。比如name列有"Tom"和“NaN”两个类别，pandas会自动将一列转化为两列，并且两列分别为“name_Tom”和"name_NaN"。并且转化为的两列中，每一行等于该列对应的类别的取1，否则取0。比如name_Tom列，只有第一行为1，其余行均为0。这里有点类似onehot编码，有兴趣的可以自己查阅，这里不赘述了。

这里用到get_dummies()函数，类似onehot编码。

inputs = pd.get_dummies(inputs, dummy_na=True)
print(inputs)

输出结果为

	Class  name_Tom  name_nan
0    3.0         1         0
1    2.0         0         1
2    4.0         0         1
3    3.0         0         1

可以看到pandas自动将一列转化为两列。

2.3 删除法

• 删除法用到dropna()函数，默认是删除带有缺失值的整行

inputs.dropna()

• 若要删除带有缺失值得整列

inputs.dropna(axis = 'columns')

• 上面的操作是将整列（行）只要带缺失值就（any）删除，还可以设置只删除全部是缺失值的列（行）

inputs.dropna(axis = 'columns', how = 'all')  # 删除全部是缺失值得列

• 还可以利用thresh来设置阈值

inputs.dropna(axis = 'columns', thresh = 2) # 删除那些非缺失值个数小于2的，保留大于等于2的列

3.转化为张量格式

import torch

X, y = torch.tensor(inputs.value), torch.tensor(outputs.value)
X, y

输出为

(tensor([[3., 1., 0.],
         [2., 0., 1.],
         [4., 0., 1.],
         [3., 0., 1.]], dtype=torch.float64),
 tensor([100,  60,  82,  76]))

4.总结

pandas可以与张量兼容，可以用来做深度学习的数据预处理，其中对于数据集中的缺失值，可以采用插值法或者删除法来进行操作。