动手学深度学习——第2.2节，数据预处理

2.2 数据预处理

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，我们通常使用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。 本节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。

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，每一行是一个数据，每行中的每一项（特征）用逗号分开) …/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。
函数说明

#os.path.join(path, *paths)---拼接路径返回所有成员的拼接，可以传入多个参数
print(os.path.join('..','data0'))
print(os.path.join('..','data0','gagaga'))
#输出
..\data0
..\data0\gagaga

os.makedirs(path, mode, exist_ok)
# 该函数用来递归创建多层目录
# path：path是递归创建的目录，可以是相对路径或者绝对路径
# mode：mode是权限模式，默认值是511（八进制）
# exist_ok：是否在目录存在时触发异常。如果 exist_ok 为 False（默认值），则在目标目录已存在的情况下触发 FileExistsError 异常；如果 exist_ok 为 True，则在目标目录已存在的情况下不会触发 FileExistsError 异常。

import os

os.makedirs(os.path.join('..', 'data'), exist_ok=True)
#就是将"house_tiny.csv"文件合并到了data目录下
data_file = os.path.join('..', 'data', 'house_tiny.csv')
with open(data_file, 'w') as f:
	f.write('NumRooms, Alley, Price\n') # 房间数量，所在路名，房子价格
	f.write('NA.Pave, 127500\n') #每一行表示一个数据样本。NA表示未知
	f.write('2, NA, 106000\n')
	f.write('4, NA, 178100\n')
	f.write('NA, NA, 140000\n')  # # 创建的人工数据集有四行三列

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来安装pandas
# !pip install pandas
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 (index location)，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。

#             所有行，第0,1列放到inputs       第2列放到outputs 
inputs, ouputs = data.iloc[:, 0:2], data.iloc[:, 2]
# fillna 的含义是填充空值，如数组X.fillna(1)即将数组X中的所有空值NAN填充为1
# mean的含义是取非空数值的均值（平均数），如数组X.mean()的值为数组X中所有数值的平均值，括号必须带上
# fillna(inputs.mean())处理的是数值，对字符串不起作用
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。

# get_dummies方法可以把离散的类别信息转化为onehot编码形式，
# dummy_na=True意为是否把NA单独看做一个类别。
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

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 :numref:sec_ndarray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]))