创建数据集
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。 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
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')
os.makedirs 可以递归创建的目录结构(创建一个新文件夹);exist_ok=True指定了,如果某个要创建的目录已经存在,也不会报错。
os.remove('xx.py') 可以删除一个文件
os.path.join() 连接两个或更多的路径名组件
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。其中每行描述了房间数量(“NumRooms”)、巷子类型(“Alley”)和房屋价格(“Price”)。
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
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。
inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2]
inputs = inputs.fillna(inputs.mean())
print(inputs)
》》》
NumRooms Alley
0 3.0 Pave
1 2.0 NaN
2 4.0 NaN
3 3.0 NaN
iloc[ ] :对数据进行位置索引,在数据表中提取出相应的数据。
.fillna() :可以将缺失值填充为指定的值。
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
pd.get_dummies()
是 pandas 库中的一个函数,用于执行独热编码(One-Hot Encoding)。独热编码是一种将分类数据转换为二进制矩阵的方法,以便于机器学习模型的处理。在独热编码中,每个不同的分类值被转换为一个新的二进制列,其中只有一个位置是 1,表示该样本属于该分类,其他位置都是 0。
在 pd.get_dummies()
函数中,dummy_na
参数是一个布尔值,用于指示是否为原始数据中的缺失值(NaN)创建一个额外的哑变量列。当 dummy_na
设置为 True
时,如果原始数据中存在缺失值,会为缺失值创建一个额外的哑变量列;当设置为 False
时,缺失值将被忽略,不创建额外的哑变量列。
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 = torch.tensor(inputs.values)
y = 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.], dtype=torch.float64))
python默认64位浮点数。