pytorch---数据预处理

到目前为止，我们已经介绍了处理存储在张量中数据的各种技术。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，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。因此，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。我们将在后面的章节中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。下面的mkdir_if_not_exist函数可确保目录…/data存在。注意，注释#@save是一个特殊的标记，该标记下方的函数、类或语句将保存在d2l软件包中，以便以后可以直接调用它们（例如d2l.mkdir_if_not_exist(path)）而无须重新定义。

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')

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”）。

# 如果没有安装pandas，只需取消对以下行的注释：
# !pip install pandas
import pandas as pd

data = pd.read_csv(data_file)# 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。
print(data)
#data

输出为：
   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和删除，]其中插值用替代值代替缺失值。而删除则忽略缺失值。在(这里，我们将考虑插值)。

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。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)
print('\n')
print(outputs)

输出为：
   NumRooms Alley
0       3.0  Pave
1       2.0   NaN
2       4.0   NaN
3       3.0   NaN


0    127500
1    106000
2    178100
3    140000
Name: Price, dtype: int64

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”（“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)# dummy_na=True
print(inputs)

输出为：
   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

关于pandas.get_dummies函数具体解释

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

输出为：
(tensor([[3., 1., 0.],
         [2., 0., 1.],
         [4., 0., 1.],
         [3., 0., 1.]], dtype=torch.float64),
 tensor([127500, 106000, 178100, 140000]))

删除缺失值最多的列

inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2] #把数据中的第一列和第二列存放到inputs中
if float(inputs['NumRooms'].count()) > float(inputs['Alley'].count()):  #获取inputs中'NumRooms'列非空值的个数并转换为float类型
    inputs.drop('Alley',axis=1,inplace=True)  #删除'Alley'那一列
else :
    inputs.drop('NumRooms',axis=1,inplace=True)  #删除'Numroom'那一列
print(inputs)

输出为：
   NumRooms
0       NaN
1       2.0
2       4.0
3       NaN

pandas里count的用法
pandas里drop的用法

转换为张量格式

import torch
inputs = pd.get_dummies(inputs.NumRooms,dummy_na=True)  #对'NumRooms'列进行分类，将NaN设置为可分类项
x = torch.tensor(inputs.values)
x

输出为：
tensor([[0, 0, 1],
        [1, 0, 0],
        [0, 1, 0],
        [0, 0, 1]], dtype=torch.uint8)