课程主页:https://courses.d2l.ai/zh-v2/
教材:https://zh-v2.d2l.ai/
练习
1. 删除缺失值最多的列。
2. 将预处理后的数据集转换为张量格式。
数据预处理
🏷sec_pandas
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)
print(data)
运行结果:
NumRooms Alley Price
0 NaN Pave 127500
1 2.0 NaN 106000
2 4.0 NaN 178100
3 NaN NaN 140000
练习1.删除缺失值最多的列
#计算出每一列的缺失值(NA)的数量
x = data.isna().sum()
print(x)
#找出缺失值(NA)的数量最多的列的index,删掉这列
data = data.drop(columns = x.index[x.argmax()])
print(data)
运行结果:
NumRooms 2
Alley 3
Price 0
dtype: int64
NumRooms Price
0 NaN 127500
1 2.0 106000
2 4.0 178100
3 NaN 140000
练习2. 将预处理后的数据集转换为张量格式。
import torch
X = torch.tensor(data.values)
X
运行结果:
tensor([[ nan, 1.2750e+05],
[2.0000e+00, 1.0600e+05],
[4.0000e+00, 1.7810e+05],
[ nan, 1.4000e+05]], dtype=torch.float64)