《动手学深度学习（Dive into Deeplearning）》（第二版）——第二章 _2.2 数据预处理

第二章 预备知识

§ 前期回顾

  上一节我们学习了torch中张量的一些基本操作，接下来一节我们将学习数据预处理。同样放上视频传送门：

04 数据操作 + 数据预处理【动手学深度学习v2】

  该视频和上一节的视频是同一个哈，那么让我们开始这一节的学习吧~~

---

§ 2.2 数据预处理

  我们都知道，机器学习当中最重要的就是数据集，而我们拿到的数据集不可能是十分完美的，或多或少都会有缺失值或是异常值，而这时候就要我们对数据进行预处理。

  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。

---

2.2.1 读取数据集

  我们手动创建一个数据集来进行处理。将数据存储在csv（逗号分隔值）文件中，此处我设置的路径为 ./data ，这样就会保存在当前目录的data文件夹下。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')

  从csv文件中加载原始数据我们需要用到 pandas 包并调用其中的 read_csv 函数。该数据集大小为四行三列，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

---

2.2.2 处理缺失值

  该数据集中的“NaN”项代表缺失值，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 iloc 进行位置索引，将 data 分成 inputs 和outputs，其中前者为 data 的前两列，后者为最后一列。对于inouts中的缺失值，我们采用同一列的均值替换为“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

• 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)
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

---

2.2.3 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。当数据采用张量格式后，可以通过在上一节中引入的那些张量函数来进一步操作。

import torch

X, y = torch.tensor(inputs.values), 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]))

---

2.2.4 总结

• 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。

• 插值和删除可用于处理缺失的数据。

---

课后练习

创建包含更多行和列的原始数据集。

• 删除缺失值最多的列。
• 将预处理后的数据集转换为张量格式。

因为该课后练习和前面的操作没太大区别，请感兴趣的朋友们自行完成练习。

---

这一节就到这了，我们下一节再见~~