数据操作
理论部分:
机器学习和神经网络的主要数据结构——N维数组
n维数组也称为张量(tensor),张量表示由一个数值组成的数组,这个数组可能有多个维度。
- 具有一个轴的张量对应数学上的向量(vector)
- 具有两个轴的张量对应数学上的矩阵(matrix)
- 具有两个轴以上的张量没有特殊的数学名称
N维数组样例:
创建数据需要:
- 形状。如3 x 4矩阵
- 每个元素的数据类型。如32位浮点数
- 每个元素的值。如全是0或随机数
访问元素:
代码实现:
首先导入torch
import torch
创建张量,张量表示由一个数值组成的数组,这个数组可能有多个维度。
x = torch.arange(12)
x
结果:tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
通过shape
属性来访问张量的形状和张量中元素的总数
x.shape
结果:torch.Size([12])
x.numel() #访问张量中元素的总数(标量)
结果:12
调用 reshape
函数改变一个张量的形状而不改变元素数量和元素值
X = x.reshape(3, 4)
X
结果:
tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
创建张量:使用全0、全1、其他常量或者从特定分布中随机采样的数字
torch.zeros((2, 3, 4))
结果:
tensor([[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]],
[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]]])
torch.ones((2, 3, 4))
结果:
tensor([[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]],
[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]]])
torch.randn(3, 4)
结果:
tensor([[ 0.2104, 1.4439, -1.3455, -0.8273],
[ 0.8009, 0.3585, -0.2690, 1.6183],
[-0.4611, 1.5744, -0.4882, -0.5317]])
创建张量:通过提供包含数值的 Python 列表(或嵌套列表)来为所需张量中的每个元素赋予确定值
torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
结果:
tensor([[2, 1, 4, 3],
[1, 2, 3, 4],
[4, 3, 2, 1]])
常见的标准算术运算符(+
、-
、*
、/
和 **
)都可以被升级为按元素运算
x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
x + y, x - y, x * y, x / y, x**y
结果:
(tensor([ 3., 4., 6., 10.]),
tensor([-1., 0., 2., 6.]),
tensor([ 2., 4., 8., 16.]),
tensor([0.5000, 1.0000, 2.0000, 4.0000]),
tensor([ 1., 4., 16., 64.]))
按按元素方式应用更多的计算
torch.exp(x)
结果:tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])
连结张量:
也可以把多个张量 连结(concatenate) 在一起
X = torch.arange(12, dtype=torch.float32).reshape((3, 4))
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
torch.cat((X, Y), dim=0), torch.cat((X, Y), dim=1) #dim=0:按行 dim=1:按列
结果:
(tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[ 2., 1., 4., 3.],
[ 1., 2., 3., 4.],
[ 4., 3., 2., 1.]]),
tensor([[ 0., 1., 2., 3., 2., 1., 4., 3.],
[ 4., 5., 6., 7., 1., 2., 3., 4.],
[ 8., 9., 10., 11., 4., 3., 2., 1.]]))
通过 逻辑运算符 构建二元张量
X == Y
结果:
tensor([[False, True, False, True],
[False, False, False, False],
[False, False, False, False]])
求和:
对张量中的所有元素进行求和会产生一个只有一个元素的张量
X.sum()
结果:tensor(66.)
广播机制:
即使形状不同,我们仍然可以通过调用广播机制(broadcasting mechanism) 来执行按元素操作
a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
a, b
结果:
(tensor([[0],
[1],
[2]]),
tensor([[0, 1]]))
a + b
结果:
tensor([[0, 1],
[1, 2],
[2, 3]])
访问元素:
可以用 [-1]
选择最后一个元素,可以用 [1:3]
选择第二个和第三个元素
X[-1], X[1:3]
结果:
(tensor([ 8., 9., 10., 11.]),
tensor([[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]]))
除读取外,我们还可以通过指定索引来将元素写入矩阵
X[1, 2] = 9
X
结果:
tensor([[ 0., 1., 2., 3.],
[ 4., 5., 9., 7.],
[ 8., 9., 10., 11.]])
为多个元素赋值相同的值,只需要索引所有元素,然后为它们赋值
X[0:2, :] = 12
X
结果:
tensor([[12., 12., 12., 12.],
[12., 12., 12., 12.],
[ 8., 9., 10., 11.]])
内存问题:
运行一些操作可能会导致为新结果分配内存
before = id(Y)
Y = Y + X
id(Y) == before
结果:False
执行原地操作
Z = torch.zeros_like(Y)
print('id(Z):', id(Z))
Z[:] = X + Y
print('id(Z):', id(Z))
结果:
id(Z): 140452400950336
id(Z): 140452400950336
如果在后续计算中没有重复使用 X
,我们也可以使用 X[:] = X + Y
或 X += Y
来减少操作的内存开销
before = id(X)
X += Y
id(X) == before
结果:True
转为NumPy:
转换为 NumPy 张量
A = X.numpy()
B = torch.tensor(A)
type(A), type(B)
结果:(numpy.ndarray, torch.Tensor)
转为标量:
将大小为1的张量转换为 Python 标量
a = torch.tensor([3.5])
a, a.item(), float(a), int(a)
结果:(tensor([3.5000]), 3.5, 3.5, 3)
数据预处理
本节使用pandas
预处理原始数据,并将原始数据转换为张量格式的步骤。
1、读取数据集
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。
import os
os.makedirs(os.path.join('..', 'data'), exist_ok=True) #创建文件夹data
data_file = os.path.join('..', 'data', 'house_tiny.csv') #创建一个house_tiny.csv文件
with open(data_file, 'w') as f:
f.write('NumRooms,Alley,Price\n') # 列名 描述了房间数量(“NumRooms”)、巷子类型(“Alley”)和房屋价格(“Price”)
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')
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) # 读取文件
print(data)
#或者data的形式输出
data
结果:
2、处理缺失值
注意,“NaN”项代表缺失值。处理缺失的数据,典型的方法有插值法、删除法
- 插值法用一个替代值弥补缺失值
- 删除法则直接忽略缺失值
在这里,将考虑插值法。
inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2] # 前三列作为输入、最后一列作为输出
inputs = inputs.fillna(inputs.mean()) #通过.fillna()填充空值,插入其他值的平均数,防止出现数据过大的波动。
print(inputs)
结果:
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。
inputs = pd.get_dummies(inputs, dummy_na=True)
print(inputs)
结果:
3、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
import torch
X, y = torch.tensor(inputs.values), torch.tensor(outputs.values)
X, y
结果:
(tensor([[3., 1., 0.],
[2., 0., 1.],
[4., 0., 1.],
[3., 0., 1.]], dtype=torch.float64),
tensor([127500, 106000, 178100, 140000]))
4、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。