PyTorch入門須知PyTorch教程-2.2. 數(shù)據(jù)預(yù)處理

到目前為止，我們一直在處理以現(xiàn)成張量形式到達的合成數(shù)據(jù)。然而，要在野外應(yīng)用深度學(xué)習(xí)，我們必須提取以任意格式存儲的雜亂數(shù)據(jù)，并對其進行預(yù)處理以滿足我們的需要。幸運的是，pandas 庫可以完成大部分繁重的工作。本節(jié)雖然不能替代適當(dāng)?shù)膒andas 教程，但將為您提供一些最常見例程的速成課程。

2.2.1. 讀取數(shù)據(jù)集

逗號分隔值 (CSV) 文件普遍用于存儲表格（類似電子表格）數(shù)據(jù)。此處，每一行對應(yīng)一個記錄并由多個（逗號分隔）字段組成，例如，“Albert Einstein,March 14 1879,Ulm,Federal polytechnic school,Accomplishments in the field of gravitational physics”。為了演示如何加載 CSV 文件pandas，我們在下面創(chuàng)建了一個 CSV 文件 ../data/house_tiny.csv。此文件表示房屋數(shù)據(jù)集，其中每一行對應(yīng)一個不同的房屋，列對應(yīng)房間數(shù) ( NumRooms)、屋頂類型 ( RoofType) 和價格 ( Price)。

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,RoofType,Price
NA,NA,127500
2,NA,106000
4,Slate,178100
NA,NA,140000''')

現(xiàn)在讓我們導(dǎo)入pandas并加載數(shù)據(jù)集read_csv。

import pandas as pd

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

  NumRooms RoofType  Price
0    NaN   NaN 127500
1    2.0   NaN 106000
2    4.0  Slate 178100
3    NaN   NaN 140000

import pandas as pd

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

  NumRooms RoofType  Price
0    NaN   NaN 127500
1    2.0   NaN 106000
2    4.0  Slate 178100
3    NaN   NaN 140000

import pandas as pd

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

  NumRooms RoofType  Price
0    NaN   NaN 127500
1    2.0   NaN 106000
2    4.0  Slate 178100
3    NaN   NaN 140000

import pandas as pd

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

  NumRooms RoofType  Price
0    NaN   NaN 127500
1    2.0   NaN 106000
2    4.0  Slate 178100
3    NaN   NaN 140000

2.2.2. 數(shù)據(jù)準(zhǔn)備

在監(jiān)督學(xué)習(xí)中，我們訓(xùn)練模型在給定一組輸入值的情況下預(yù)測指定的目標(biāo)值。我們處理數(shù)據(jù)集的第一步是分離出對應(yīng)于輸入值和目標(biāo)值的列。我們可以按名稱或通過基于整數(shù)位置的索引 ( ) 選擇列。iloc

您可能已經(jīng)注意到，pandas將所有 CSV 條目替換NA為一個特殊的NaN（不是數(shù)字）值。這也可能在條目為空時發(fā)生，例如“3,,,270000”。這些被稱為缺失值，它們是數(shù)據(jù)科學(xué)的“臭蟲”，是您在整個職業(yè)生涯中都會遇到的持續(xù)威脅。根據(jù)上下文，缺失值可以通過 插補或刪除來處理。插補用缺失值的估計值替換缺失值，而刪除只是丟棄那些包含缺失值的行或列。

以下是一些常見的插補啟發(fā)法。對于分類輸入字段，我們可以將其視為NaN一個類別。由于該RoofType 列采用值Slate和NaN，pandas可以將此列轉(zhuǎn)換為兩列RoofType_Slate和RoofType_nan。屋頂類型為的行將分別將和 Slate的值設(shè)置為 1 和 0。相反的情況適用于具有缺失值的行。RoofType_SlateRoofType_nanRoofType

inputs, targets = data.iloc[:, 0:2], data.iloc[:, 2]
inputs = pd.get_dummies(inputs, dummy_na=True)
print(inputs)

  NumRooms RoofType_Slate RoofType_nan
0    NaN        0       1
1    2.0        0       1
2    4.0        1       0
3    NaN        0       1

inputs, targets = data.iloc[:, 0:2], data.iloc[:, 2]
inputs = pd.get_dummies(inputs, dummy_na=True)
print(inputs)

  NumRooms RoofType_Slate RoofType_nan
0    NaN        0       1
1    2.0        0       1
2    4.0        1       0
3    NaN        0       1

inputs, targets = data.iloc[:, 0:2], data.iloc[:, 2]
inputs = pd.get_dummies(inputs, dummy_na=True)
print(inputs)

  NumRooms RoofType_Slate RoofType_nan
0    NaN        0       1
1    2.0        0       1
2    4.0        1       0
3    NaN        0       1

inputs, targets = data.iloc[:, 0:2], data.iloc[:, 2]
inputs = pd.get_dummies(inputs, dummy_na=True)
print(inputs)

  NumRooms RoofType_Slate RoofType_nan
0    NaN        0       1
1    2.0        0       1
2    4.0        1       0
3    NaN        0       1

對于缺失的數(shù)值，一種常見的啟發(fā)式方法是用 NaN相應(yīng)列的平均值替換條目。

inputs = inputs.fillna(inputs.mean())
print(inputs)

  NumRooms RoofType_Slate RoofType_nan
0    3.0        0       1
1    2.0        0       1
2    4.0        1       0
3    3.0        0       1

inputs = inputs.fillna(inputs.mean())
print(inputs)

  NumRooms RoofType_Slate RoofType_nan
0    3.0        0       1
1    2.0        0       1
2    4.0        1       0
3    3.0        0       1

inputs = inputs.fillna(inputs.mean())
print(inputs)

  NumRooms RoofType_Slate RoofType_nan
0    3.0        0       1
1    2.0        0       1
2    4.0        1       0
3    3.0        0       1

inputs = inputs.fillna(inputs.mean())
print(inputs)

  NumRooms RoofType_Slate RoofType_nan
0    3.0        0       1
1    2.0        0       1
2    4.0        1       0
3    3.0        0       1

2.2.3. 轉(zhuǎn)換為張量格式

inputs現(xiàn)在 和中的所有條目targets都是數(shù)字，我們可以將它們加載到張量中（回憶一下2.1 節(jié)）。

import torch

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

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

from mxnet import np

X, y = np.array(inputs.values), np.array(targets.values)
X, y

(array([[3., 0., 1.],
    [2., 0., 1.],
    [4., 1., 0.],
    [3., 0., 1.]], dtype=float64),
 array([127500, 106000, 178100, 140000], dtype=int64))

from jax import numpy as jnp

X, y = jnp.array(inputs.values), jnp.array(targets.values)
X, y

No GPU/TPU found, falling back to CPU. (Set TF_CPP_MIN_LOG_LEVEL=0 and rerun for more info.)

(Array([[3., 0., 1.],
    [2., 0., 1.],
    [4., 1., 0.],
    [3., 0., 1.]], dtype=float32),
 Array([127500, 106000, 178100, 140000], dtype=int32))

import tensorflow as tf

X, y = tf.constant(inputs.values), tf.constant(targets.values)
X, y

(,
 )

2.2.4. 討論

您現(xiàn)在知道如何對數(shù)據(jù)列進行分區(qū)、估算缺失變量以及將pandas數(shù)據(jù)加載到張量中。在第 5.7 節(jié)中，您將掌握更多數(shù)據(jù)處理技能。雖然這個速成課程讓事情變得簡單，但數(shù)據(jù)處理可能會變得棘手。例如，我們的數(shù)據(jù)集可能分布在從關(guān)系數(shù)據(jù)庫中提取的多個文件中，而不是到達單個 CSV 文件。例如，在電子商務(wù)應(yīng)用程序中，客戶地址可能存在于一個表中，而購買數(shù)據(jù)則存在于另一個表中。此外，從業(yè)者還面臨著分類和數(shù)字以外的無數(shù)數(shù)據(jù)類型。其他數(shù)據(jù)類型包括文本字符串、圖像、音頻數(shù)據(jù)和點云。通常，需要先進的工具和高效的算法來防止數(shù)據(jù)處理成為機器學(xué)習(xí)管道中的最大瓶頸。當(dāng)我們涉及計算機視覺和自然語言處理時，就會出現(xiàn)這些問題。最后，我們必須關(guān)注數(shù)據(jù)質(zhì)量?，F(xiàn)實世界的數(shù)據(jù)集經(jīng)常受到異常值、傳感器錯誤測量和記錄錯誤的困擾，在將數(shù)據(jù)輸入任何模型之前必須解決這些問題。數(shù)據(jù)可視化工具，例如 seaborn、 Bokeh或 matplotlib可以幫助您手動檢查數(shù)據(jù)并形成關(guān)于您可能需要解決的問題的直覺。

2.2.5. 練習(xí)

嘗試從UCI 機器學(xué)習(xí)存儲庫加載數(shù)據(jù)集，例如 Abalone并檢查它們的屬性。其中有多少缺失值？變量的哪一部分是數(shù)字的、分類的或文本的？

嘗試按名稱而不是按列號索引和選擇數(shù)據(jù)列。有關(guān)索引的 Pandas 文檔 包含有關(guān)如何執(zhí)行此操作的更多詳細(xì)信息。

您認(rèn)為您可以通過這種方式加載多大的數(shù)據(jù)集？可能有什么限制？提示：考慮讀取數(shù)據(jù)的時間、表示、處理和內(nèi)存占用。在筆記本電腦上試試這個。如果您在服務(wù)器上試用它會發(fā)生什么變化？

您將如何處理具有大量類別的數(shù)據(jù)？如果類別標(biāo)簽都是唯一的怎么辦？你應(yīng)該包括后者嗎？

你能想到什么 pandas 的替代品？如何從文件加載 NumPy 張量？查看Pillow，Python 圖像庫。