数据预处理
1 读取数据集
- 判断路径下是否有data命名的文件夹,没有的话,创建文件house_tiny.csv,打开文件并进行写操作
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')
- 读文件
# 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)
2 处理缺失值
- 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
inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2]
inputs = inputs.fillna(inputs.mean())
print(inputs)
- 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”
有值的置为1,没有值的置为0
inputs = pd.get_dummies(inputs, dummy_na=True)
print(inputs)
3 转换为张量格式
import torch
X, y = torch.tensor(inputs.values), torch.tensor(outputs.values)
X, y
4 小结
- pandas可以与张量兼容。
- 插值和删除可用于处理缺失的数据
- nputs.isnull().sum() 返回每一列缺失值得个数。
- inputs.isnull().sum().idxmax() 得到缺失值最多的那一列的索引值。
- 把缺失值最多的那一列删除
Max_Nan_Num=inputs.isnull().sum().idxmax()
inputs=inputs.drop(Max_Nan_Num,axis=1)