简单数据预处理
1.创建人工数据集,存储在csv文件中
如下面这段代码:
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')
利用导入的os库,创建了一个csv文件保存到 ../data/house_tiny.csv目录下,具体内容见代码
2.利用pandas读取csv文件
只要用read_csv()即可
3.处理缺失数据
常用方法:1.插值 2.删除
插值:
例如下:
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。
代码:
inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2] (前三列作为inputs的内容,最后一列作为outputs的内容。)
inputs = inputs.fillna(inputs.mean())(fillna把所有的nan数用括号内数据填充,本例子中,用了其他数据的均值填充,即mean())
print(inputs)
通过上面的代码,我们可以实现对缺失的数据的值进行插值,那么如何对非数值类型如上面的例子中的Alley类型进行补充呢。
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。
代码:
inputs = pd.get_dummies(inputs, dummy_na=True)(dummy_na表示增加一列表示空缺值如本例子中加了一个alley_nan列)
print(inputs)
在通过上面的两个步骤后,我们可以发现,此时的csv文件的内容以及全部为数值且不为空,此时,就可以将其转化为张量了。
代码:
import torch
X, y = torch.tensor(inputs.values), torch.tensor(outputs.values)
X, y