深度学习数据预处理实战-优快云博客

数据预处理

通常使用pandas软件包。pandas`可以与张量兼容。

读取数据集

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

“NaN”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，

插值法用一个替代值弥补缺失值，
删除法则直接忽略缺失值。

在这里，采用插值法

通过位置索引iloc : (index location)

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

点击查看关于iloc与loc的细节

inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2]# : 表示所有的行，0:2表示第0行到第一列
inputs = inputs.fillna(inputs.mean())#mean函数表示求均值
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。

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，可引入一些张量函数来进一步操作。

import torch

X, y = torch.tensor(inputs.values), torch.tensor(outputs.values)
#这里回顾一下函数里参数的含义torch.tensor(data, dtype=None, device=None, requires_grad=False)
X, y