动手学习深度学习——2.2 数据预处理

  到目前为止，我们已经介绍了一些数据操作的技术，它们都被存为张量格式。为了应用深度学习解决现实世界的问题，我们需要处理原始数据，而不是被很好的存于张量之中的数据。在 Python 中流行的数据分析工具中，pandas 包是最常用的。像 Python 庞大的生态系统中的许多其他扩展包一样，pandas 可以处理张量数据。因此，我们将简要地介绍使用 pandas 预处理原始数据并将其转换为张量格式的步骤。我们将在后面的章节中介绍更多的数据预处理技术。

作为一个例子，我们首先人工创建数据，存储于 CSV 文件（以逗号分割），名字为【house_tiny.csv】，其它格式存储的处理方式类似。下面，我们将数据逐行写入 CSV 文件，代码如下：

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,Pricen')  # Column names
    f.write('NA,Pave,127500n')  # Each row represents a data example
    f.write('2,NA,106000n')
    f.write('4,NA,178100n')
    f.write('NA,NA,140000n')

# 输出如下
运行代码，会在上一级目录生成data文件夹，保存house_tiny.csv文件

要从创建的csv文件加载原始数据集，我们导入pandas包并调用read_csv函数。该数据集有四行三列，每行描述房间数量(“NumRooms”)、小巷类型(“alley”)和房子的价格(“price”)。具体代码如下：

import pandas as pd

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

# 输出如下
   NumRooms Alley   Price
0       NaN  Pave  127500
1       2.0   NaN  106000
2       4.0   NaN  178100
3       NaN   NaN  140000

注意，数据中的【NaN】表示缺失值。传统的方法包括填补（使用其它值代替）和删除（忽略该值）操作。这里我们考虑填补数据。

通过整数位置索引（iloc），我们将数据划分为输入（前两列数据）和输出（最后一列数据）。对于数值缺失的情况，我们用当前列的平均值代替。处理代码如下：

inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2]
inputs = inputs.fillna(inputs.mean())
print(inputs)

# 输出如下
   NumRooms Alley
0       3.0  Pave
1       2.0   NaN
2       4.0   NaN
3       3.0   NaN

对于输入中的分类或离散值，我们认为【NaN】是一个类别。由于“Alley”列只接受两种类型的分类值“Pave”和“NaN”，pandas 可以自动将这一列转换为两个列“Alley_Pave”和“Alley_nan”。类型为“Pave”的行将“Alley_Pave”和“Alley_nan”的值设置为1和0。丢失“Alley”类型的行将其值设置为0和1。代码如下：

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

# 输出如下
   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

上述例子中，经过处理，现在所有的输入和输出项都是数值类型，它们可以转换为张量格式。一旦数据以这种形式出现，就可以用我们在【2.1节】中介绍的张量相关函数进一步操作它们。具体代码如下：

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

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