1. 数据操作与预处理

---

创建, 操作文件#

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')
    f.write('NA,Pave,127500\n')
    f.write('2,NA,106000\n')
    f.write('4,NA,178100\n')
    f.write('NA,NA,140000\n')
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

os.makedirs(): 创建一个文件夹, 括号里是路径
os.path.join('..', 'data'): 把括号里的路径组合起来, '..'指的是本代码文件的上一级目录, data即为要创建的文件夹
exist_ok=True: 意思是即使data文件夹已经存在了也不会报错

尽管文件夹里还没有csv文件, 但是我们可以先创建一个指向csv文件的路径
os.path.join可以把路径和文件名组合在一起
csv文件指的是只用逗号分隔的文件

with open(路径+文件名, 模式) as 变量: 以某种方式打开该文件, 模式 r表示只读模式, w表示写入模式, a表示追加模式(都是写内容, w是覆盖, a是添加)
变量会接收文件这个对象, 在后续操作用变量名代替即可
如果该文件不存在并且模式是w或者a, 那么with open函数会在该路径下自动创建该文件, 如果是r则会报错
NA在pandas里面表示缺失值, 对于数值数据pandas也会用浮点值NaN表示缺失值; None是python内置的缺失值

pd.read_csv(): 读取一个csv文件并将其转换为一个Pandas数据框的函数
数据框可以看作是一个二维的数组或矩阵

---

填充缺失值#

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

   NumRooms Alley
0       3.0  Pave
1       2.0   NaN
2       4.0   NaN
3       3.0   NaN

iloc[行, 列]: 选择数据框或序列中的行和列

fillna(a): 用数值a填充数据框里面的缺失值(NA/NaN)

mean(axis=0/1): 用于计算平均值, 如果axis=0, 则是计算每一列的平均值, 1则是每一行; 如果什么都不写则默认为计算列
numeric_only=True: 意为只计算数值型的数据

---

数据离散化#

inputs = pd.get_dummies(inputs, dummy_na=True, dtype = int)
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

pd.get_dummies(): 将数据离散化, 把每一种状态看作一种取值; dummy_na=True表示把缺失值NaN也列出来; dtype = int表示取值为int类型
这样就可以把所有的条目都变成数值类型, 方便后期转化为张量

---

输出数据框#

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

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

tensor([127500, 106000, 178100, 140000])

python内置的values函数返回一个字典中所有值

---

深拷贝#

A = torch.arange(12).reshape(3,4)
B = A
C = A.clone()
print(id(A))
print(id(B))
print(id(C))

1744800477536
1744800477536
1744738998608

在torch中为了提高速度, 对于向量或者矩阵的赋值是指向同一内存的, B=A中A和B都指向同一个内存; 如果要保存旧的tensor就需要开辟新的地址而不是引用, 所以需要用clone进行深拷贝