学习笔记(23): 机器学习之数据预处理Pandas和转换成张量格式[1]

学习机器学习，需要学习如何预处理原始数据，这里用到pandas，将原始数据转换为张量格式的数据。

1、安装pandas

pip install pandas

2、写入和读取数据

>>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。

2.1、代码

import os
import pandas as pd#向上两级目录，然后进入data目录
os.makedirs(os.path.join('..','..','data'),exist_ok=True)
data_file =os.path.join('..','..','data','house_tiny.csv')
#写入csv数据
with open(data_file,'w') as f:f.write('NumRoos,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')  # 每行表示一个数据样本f.write('4,NA,178100\n')f.write('NA,NA,140000\n')#从csv读取数据
data = pd.read_csv(data_file)
print(data)

>>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”）。

2.2、执行结果

3、处理缺失值(插值法)

      “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。

3.1、NumRoos缺失值处理

3.1.1、代码

# 处理缺失值
inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2]
# 转换 NumRoos 列为数值类型（将 'NA' 转为 NaN）
inputs['NumRoos'] = pd.to_numeric(inputs['NumRoos'], errors='coerce')
# 用均值填充 NumRoos 列的缺失值
inputs['NumRoos'] = inputs['NumRoos'].fillna(inputs['NumRoos'].mean())
print("\n均值填充后的数据:")
print(inputs)

       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。

3.1.2、执行结果

这段代码解释：

类型转换：
inputs['NumRoos'] = pd.to_numeric(inputs['NumRoos'], errors='coerce')

将 NumRoos 列从 object 类型转为数值类型
errors='coerce' 会把无法转换的 'NA' 转为 NaN
均值填充：
inputs['NumRoos'] = inputs['NumRoos'].fillna(inputs['NumRoos'].mean())

此时 NumRoos 是数值类型，mean() 能正确计算均值（3.0）

3.2、Alley字段缺失值处理

        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)

• 自动处理分类变量 Alley
• dummy_na=True 会为缺失值创建单独的列

3.2.1、代码

# 对Alley变量进行缺失值处理
inputs = pd.get_dummies(inputs, dummy_na=True)
# 检查数据类型
# print(inputs.dtypes)
# 将所有布尔列转换为整数类型（True → 1, False → 0）
inputs = inputs.astype(int)
print("\n缺失值处理后的数据:")
print(inputs)

3.2.2、执行结果

这样的数据就可以直接用于机器学习模型（如线性回归、决策树等）了。

4、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。

4.1、代码

import torch
print("\n转换成张量数据:")
x = torch.tensor(inputs.to_numpy(dtype=float))
print(x)
y = torch.tensor(outputs.to_numpy(dtype=float))
print(y)

4.2、执行结果

• 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。