数据预处理

一、读取数据集

1、将数据集按行写入到csv文件中

import os

# os.path.join():路径拼接函数，本例中会生成如下路径  ../data
# os.makedirs():用来创建多层目录（多层就是深度），exist_ok=True是在目录已存在的情况下不报错，默认为False，目录要是存在会报错
os.makedirs(os.path.join('..', 'data'), exist_ok=True)

# 新创建目录  ../data/house_tiny.csv
data_file = os.path.join('..', 'data', 'house_tiny.csv') #house_tiny.csv 文件名

'''
常见的文件读写操作

with open(r'filename.txt') as f:
   data_user=pd.read_csv(f)  #文件的读操作

with open('data.txt', 'w') as f:
   f.write('hello world')  #文件的写操作
   
'''


with open(data_file, 'w') as f:
    f.write('NumRooms,Alley,Price
')  # 列名 房间数目 巷子类型 房屋价格
    f.write('NA,Pave,127500
')  # 每行表示一个数据样本 NA-未知
    f.write('2,NA,106000
')
    f.write('4,NA,178100
')
    f.write('NA,NA,140000
')

2、从创建的csv文件中加载原始数据集，导入 pandas 包并调用 read_csv 函数

# 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)

#输出结果

   NumRooms Alley   Price
0       NaN  Pave  127500
1       2.0   NaN  106000
2       4.0   NaN  178100
3       NaN   NaN  140000

二、处理缺失值

NaN代表缺失值，处理缺失的数据，典型的方法包括插值和删除。插值用替代值代替缺失值，删除则忽略缺失值

1、通过位置索引iloc，我们可以将data分成inputs和outputs。其中前者为 data的前两列，后者为 data的最后一列。

2、对于 inputs 中缺少的数值，我们用同一列的均值替换 “NaN” 项

# 将第0列和第1列拿出来放在 inputs 中，将第2列拿出来放在 outputs 里面
inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2]

print(inputs)
#print(outputs)

# 将NaN中的值用该列的均值填充-但是ALLey列因为不是数值，所以不能不均值填充
inputs = inputs.fillna(inputs.mean())
print(inputs)

#输出结果

   NumRooms Alley
0       NaN  Pave
1       2.0   NaN
2       4.0   NaN
3       NaN   NaN
   NumRooms Alley
0       3.0  Pave
1       2.0   NaN
2       4.0   NaN
3       3.0   NaN

3、将离散型特征的每一种取值都看成一种状态，若你的这一特征中有N个不相同的取值，那么我们就可以将该特征抽象成N种不同的状态

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。

# 将字符串变为一个新的类别，产生新的列
inputs = pd.get_dummies(inputs, dummy_na=True)
print(inputs)

# 可以发现 inputs 不是tensor类型
print(type(inputs))

#输出结果

   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
<class 'pandas.core.frame.DataFrame'>

三、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

import torch

# 直接将inputs和outputs转化为张量格式
X, y = torch.tensor(inputs.values), torch.tensor(outputs.values)
X, y

#输出结果

(tensor([[3., 1., 0.],
         [2., 0., 1.],
         [4., 0., 1.],
         [3., 0., 1.]], dtype=torch.float64),
 tensor([127500, 106000, 178100, 140000]))