1.1创建人工数据集
该数据集有四行三列。其中每行描述了房间数量(“NumRooms”)、巷子类型(“Alley”)和房屋价格(“Price”)。
import os
os.makedirs(os.path.join('..', 'data'), exist_ok=True)#在上一级目录创建一个data文件夹
data_file = os.path.join('..', 'data', 'house_tiny.csv')#创建一个人工数据集,并存储在CSV(逗号分隔值)文件)
with open(data_file, 'w') as f:
f.write('NumRooms,Alley,Price\n') # 列名
f.write('NA,Pave,127500\n') # 每行表示一个数据样本
f.write('2,NA,106000\n')
f.write('4,NA,178100\n')
f.write('NA,NA,140000\n')
1.2从创建的csv文件中加载原始数据集
import pandas as pd
data = pd.read_csv(data_file)
print(data)
NumRooms Alley Price
0 NaN Pave 127500
1 2.0 NaN 106000
2 4.0 NaN 178100
3 NaN NaN 140000
1.3处理缺失值
1.3.1使用插值的方法处理缺失值
#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
inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2]
# 对于inputs中缺少的数值,我们用同一列的均值替换“NaN”项
inputs = inputs.fillna(inputs.mean())
print(inputs)
[对于inputs
中的类别值或离散值,我们将“NaN”视为一个类别。]
由于“巷子类型”(“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”。
巷子类型为“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。
inputs = pd.get_dummies(inputs, dummy_na=True)
print(inputs)
NumRooms Alley_Pave Alley_nan
0 3.0 1 0
1 2.0 0 1
2 4.0 0 1
3 3.0 0 1
1.4转换为张量格式
import torch
X, y = torch.tensor(inputs.values), torch.tensor(outputs.values)
X, y
(tensor([[3., 1., 0.],
[2., 0., 1.],
[4., 0., 1.],
[3., 0., 1.]], dtype=torch.float64),
tensor([127500, 106000, 178100, 140000]))
1.5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。
1.6练习
创建包含更多行和列的原始数据集。
- 删除缺失值最多的列。
- 将预处理后的数据集转换为张量格式。
针对问题一:
step 1
import torch
import pandas as pd
import numpy as np
A = pd.DataFrame(np.random.randint(1,100,size=(5,6)))
A.iloc[0:1,0:3]=np.nan
A.iloc[1:3,1:4]=np.nan
A.iloc[3:5,2:3]=np.nan
A
step 2
A.isnull().sum(axis=0).sort_values(ascending=False)#对缺失值进行按列求和
step 3
data = A.drop(2,axis=1) # 默认drop的是行,需要指定axis才能删除列
#另一种方法:del A[2]
data
针对问题二:
res = torch.tensor(data.values)
res