d2l - 数据预处理 Day_2
本文最后更新于:1 年前
跟李沐学AI的第二天
1.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。下⾯我们将数据集按⾏写⼊CSV⽂件中。
1 |
|
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”)。
1 |
|
2.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,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。
1 |
|
iloc使用顺序数字来索引数据,而不能使用字符型的标签来索引数据;注意:这里的顺序数字是指从0开始计数!
loc使用实际设置的索引来索引数据。但行列名为数字时,loc也可以索引数字,但这里的数字不一定从0开始编号,是对应具体行列名的数字!
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。
1 |
|
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2.1节中引⼊的那些张量函数来进⼀步操作。
1 |
|
⼩结
pandas软件包是Python中常⽤的数据分析⼯具中,pandas可以与张量兼容。
⽤pandas处理缺失的数据时,我们可根据情况选择⽤插值法和删除法。
练习
创建包含更多⾏和列的原始数据集。
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。