拿到数据后,正常遇到的问题可能有以下:
- 数据中含有空值:需要对空值做处理
- 数据有非数值型维度,需要转换为数据维度,且分成多个虚拟字段
- 数据值范围太大,可以对数转化等标准化处理
主要代码注释和数据如下:
遇到的问题主要是import sklearn.model_selection 报错,安装了最新版的anaconda后就ok了
import numpy as np
import pandas as pd
data = pd.read_csv(r'd:\Users\lulib\Desktop\data.txt',sep='\t')
X = data.iloc[:,:-1].values ## X的值为数据源
Y = data.iloc[:,-1].values ## Y 的值为最终的数据标签
## na数据用均值填充
from sklearn.preprocessing import Imputer
imputer = Imputer(missing_values="NaN",strategy="mean",axis=0)
## 数据范围转化一致 对数处理 e 为底
imputer = imputer.fit(X[:,1:])
X[:,1:] = imputer.transform(X[:,1:])
## 分类包
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
## 文字描述性字段转换为数值
labelencoder_X = LabelEncoder()
X[ : , 0] = labelencoder_X.fit_transform(X[ : , 0])
## 将X的文字性描述字段转换为多个虚拟字段,标志为0 1
onehotencoder = OneHotEncoder(categorical_features = [0])
X = onehotencoder.fit_transform(X).toarray()
labelencoder_Y = LabelEncoder()
Y = labelencoder_Y.fit_transform(Y)
## 数据源分为测试数据和训练数据
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split( X , Y , test_size = 0.2, random_state = 0)
##特征标准化
from sklearn.preprocessing import StandardScaler
sc_X = StandardScaler()
X_train = sc_X.fit_transform(X_train)
X_test = sc_X.transform(X_test)