李沐 数据预处理【动手学深度学习v2】

:label:sec_pandas

为了能用深度学习来解决现实世界的问题，我们经常从预处理原始数据开始， 而不是从那些准备好的张量格式数据开始。 在Python中常用的数据分析工具中，我们通常使用pandas软件包。

像庞大的Python生态系统中的许多其他扩展包一样，pandas可以与张量兼容。

本节我们将简要介绍使用pandas预处理原始数据，并将原始数据转换为张量格式的步骤。

后面的章节将介绍更多的数据预处理技术。

读取数据集

举一个例子，我们首先创建一个人工数据集，并存储在CSV（逗号分隔值）文件

../data/house_tiny.csv中。

以其他格式存储的数据也可以通过类似的方式进行处理。下面我们将数据集按行写入CSV文件中。

import os

os.makedirs(os.path.join('..', 'data'), exist_ok=True)
data_file = os.path.join('..', 'data', 'house_tiny.csv')
with open(data_file, 'w') as f:
    f.write('NumRooms,Alley,Price\n')  # 列名
    # 每行表示一个数据样本
    f.write('NA,Pave,127500\n')  
    f.write('2,NA,106000\n')
    f.write('4,NA,178100\n')
    f.write('NA,NA,140000\n')

要[从创建的CSV文件中加载原始数据集]，我们导入pandas包并调用read_csv函数。

该数据集有四行三列。

每行描述了房间数量（“NumRooms”）、巷子类型（“Alley”）和房屋价格（“Price”）。

处理缺失值

注意，“NaN”项代表缺失值。

[为了处理缺失的数据，典型的方法包括插值法和删除法，] 其中插值法用一个替代值弥补缺失值，而删除法则直接忽略缺失值。

在这里，我们将考虑插值法。

通过位置索引iloc，我们将data分成inputs和outputs， 其中前者为data的前两列，而后者为data的最后一列。 对于inputs中缺少的数值，我们用同一列的均值替换“NaN”项。

[对于inputs中的类别值或离散值，我们将“NaN”视为一个类别。]

由于“Alley”列只接受两种类型的类别值“Pave”和“NaN”， pandas可以自动将此列转换为两列“Alley_Pave”和“Alley_nan”。

“Alley”类型为“Pave”的行会将“Alley_Pave”的值设置为1，“Alley_nan”的值设置为0。

缺少巷子类型的行会将“Alley_Pave”和“Alley_nan”分别设置为0和1。

转换为张量格式

[现在inputs和outputs中的所有条目都是数值类型，它们可以转换为张量格式。]

当数据采用张量格式后，可以通过在 :numref:sec_ndarray中引入的那些张量函数来进一步操作。

小结

• pandas软件包是Python中常用的数据分析工具中，pandas可以与张量兼容。
• 用pandas处理缺失的数据时，我们可根据情况选择用插值法和删除法。