【深度学习】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。

后续将介绍更多的数据预处理技术。

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。

下面先简单介绍一下CSV文件

复制代码

CSV（Comma-Separated Values）文件，即逗号分隔值文件，是一种常见的简单文件格式，用于存储表格数据。

 特点和用途

- **简单易读**：CSV 文件以纯文本形式存储表格数据，每行数据表示一条记录，**字段之间用逗号分隔**（也可以使用其他字符如分号等作为分隔符，但逗号是最常见的）。
- **广泛支持**：几乎所有的电子表格软件（如Microsoft Excel、Google Sheets等）和数据分析工具（如Python的pandas库、R语言等）都支持CSV文件的读取和写入，使其成为数据交换的通用格式。
- **数据存储和传输**：常用于在不同系统和软件之间传输和存储数据，例如从数据库中导出数据、在网站上提供数据下载等。


CSV文件因其简单性和通用性，在数据处理和分析领域中被广泛应用，是数据存储和交换的重要格式之一。

python 复制代码

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')

复制代码

以下是对这段代码的解读：

### 1. 导入`os`模块

import os

`os`模块提供了与操作系统交互的功能，例如文件和目录操作等。

### 2. 创建目录

os.makedirs(os.path.join('..', 'data'), exist_ok=True)

- `os.path.join('..', 'data')`：使用`os.path.join`函数将`'..'`（上一级目录）和`'data'`拼接成一个完整的路径，表示要在上一级目录下创建一个名为`data`的目录。
- `os.makedirs`：用于创建多层目录。`exist_ok=True`表示如果目录已经存在，不会引发异常，而是直接跳过创建操作。

### 3. 定义数据文件路径

data_file = os.path.join('..', 'data', 'house_tiny.csv')

再次使用`os.path.join`将上一级目录、`data`目录和文件名`house_tiny.csv`拼接成完整的文件路径，并将其赋值给变量`data_file`，以便后续操作该文件。

### 4. 写入CSV文件内容

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')

- `with open(data_file, 'w') as f`：使用`with`语句打开文件`data_file`，以写入模式（`'w'`）打开。`with`语句可以确保在操作完成后自动关闭文件，即使在操作过程中出现异常也能正确关闭文件，避免资源泄漏。
- 接下来的几行`f.write`语句分别写入了CSV文件的列名（`NumRooms,Alley,Price`）和几行数据样本，每行数据样本由逗号分隔的字段组成，分别对应房屋的房间数量（`NumRooms`）、小巷类型（`Alley`）和价格（`Price`）。其中`NA`表示缺失值。

这段代码的主要作用是创建一个目录和一个简单的CSV文件，并向该文件中写入一些房屋数据，为后续的数据处理和分析提供基础数据。例如，可以使用`pandas`等库读取这个CSV文件进行进一步的操作。

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"）。

python 复制代码

import pandas as pd

data = pd.read_csv(data_file)
print(data)

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。

python 复制代码

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。

python 复制代码

inputs = pd.get_dummies(inputs, dummy_na=True)
print(inputs)

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。

python 复制代码

import torch

X = torch.tensor(inputs.to_numpy(dtype=float))
y = torch.tensor(outputs.to_numpy(dtype=float))
X, y