目录
Kaggle的房价预测比赛,一个简单的线性回归练习,包括如何处理数据、输出csv文件,很实用。
此数据集由Bart de Cock于2011年收集 :cite:De-Cock.2011
, 涵盖了2006-2010年期间亚利桑那州埃姆斯市的房价。https://www.kaggle.com/c/house-prices-advanced-regression-techniques
访问和读取数据集
竞赛数据分为训练集和测试集。 每条记录都包括房屋的属性值和属性,如街道类型、施工年份、屋顶类型、地下室状况等。 这些特征由各种数据类型组成, 例如,建筑年份由整数表示,屋顶类型由离散类别表示,其他特征由浮点数表示。一些数据完全丢失了,缺失值被简单地标记为“NA”。 每套房子的价格只出现在训练集中。 希望划分训练集以创建验证集。
直接从网站下载数据在程序所在文件夹(或放在其他文件夹),然后读取
%matplotlib inline
import numpy as np
import pandas as pd
import torch
from torch import nn
from torch.utils import data
train_data = pd.read_csv('./train.csv') #需要后缀
test_data = pd.read_csv('test.csv')
print(train_data.shape) # (1460, 81)
print(test_data.shape) # (1459, 80)
数据预处理
第一个特征是ID,将id从数据集中删除。其中训练集没有包括最后一列的价格列。合并两个数据集为了同等的处理数据
all_features = pd.concat((train_data.iloc[:, 1:-1], test_data.iloc[:, 1:]))
处理数据值
将所有缺失的值替换为相应特征的平均,将特征重新缩放到零均值和单位方差来标准化数据。
首先要得到数据类型的列。先观察DataFrame各列的数据类型
print(all_features.dtypes)
MSSubClass int64 MSZoning object LotFrontage float64 LotArea int64 Street object ... MiscVal int64 MoSold int64 YrSold int64 SaleType object SaleCondition object Length: 79, dtype: object
下面采用了高级用法lambda表达式来处理DataFrame的数据列
# 若无法获得测试数据,则可根据训练数据计算均值和标准差
numeric_features = all_features.dtypes[all_features.dtypes != 'object'].index
all_features[numeric_features] = all_features[numeric_features].apply(
lambda x: (x - x.mean()) / (x.std()))
# 在标准化数据之后,所有均值消失,因此我们可以将缺失值设置为0
all_features[numeric_features] = all_features[numeric_features].fillna(0)
处理离散值
独热编码替换它们。例如,“MSZoning”包含值“RL”和“Rm”。 我们将创建两个新的指示器特征“MSZoning_RL”和“MSZoning_RM”,其值为0或1
可以看到,此转换会将特征的总数量从79个增加到331个。 最后,通过values
属性,我们可以从pandas
格式中提取NumPy格式,并将其转换为张量表示用于训练。
# “Dummy_na=True”将“na”(缺失值)视为有效的特征值,并为其创建指示符特征
all_features = pd.get_du