# 数据预处理

🏷 sec_pandas

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。
后面的章节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。

	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

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。

	inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2]
	inputs = inputs.fillna(inputs.mean())
	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，可以通过在 :numref: sec_ndarray 中引入的那些张量函数来进一步操作。

	import torch

	X, y = torch.tensor(inputs.values), torch.tensor(outputs.values)
	X, y

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

# 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。

删除缺失值最多的列。
将预处理后的数据集转换为张量格式。

Discussions

chapter_preliminaries