002 Pytorch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。

首先我们准备一个人工数据集：

 这是一个.csv格式（用逗号隔开）的数据文件。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”）。

1. 读取数据集

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。

 pd.read_csv()接收一个csv文件（以路径表示）作为参数，将这个csv文件中的数据读取出来。

2. 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。

注意：1. data.iloc[]用于访问读进来的csv数据的索引。这个读进来的数据是不能直接用[]进行索引访问的，要使用data.iloc[]进行索引访问。

　　   2. 读进来的csv数据的保存对象（这里是inputs,outputs）的fillna方法可以处理缺失值，inputs.fillna(inputs.mean())表示用平均的方法处理inputs中的缺失值。

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。

3. 转换为张量格式

上面的inputs及outputs不能直接使用torch.tensor(inputs)或torch.tensor(outputs)转换成tensor，要使用inputs.values以及outputs.values.