深度学习数据预处理

首先掌握一个创建文件的方法：

先导入os库（对文件进行操作）
os.makedirs函数用于递归创建目录。其语法如下：
os.makedirs(name, mode=0o777, exist_ok=False)
 

• name：要创建的目录的路径。
• mode：目录权限，默认为0o777，表示最大的访问权限。
• exist_ok：如果设置为True，则在目录已经存在的情况下不会抛出异常。

os.makedirs函数会递归地创建目录，即如果指定的目录路径中的某些父目录不存在，它也会一并创建。如果目录已经存在，且exist_ok参数为True，则不会抛出异常；如果exist_ok为False（默认值），则会抛出FileExistsError异常。

除此之外还有os.path。
os.path 模块提供了许多用于处理文件路径的函数。下面是一些常用的 os.path 函数：

• os.path.join(path1[, path2[, ...]])：将多个路径组合后返回
• os.path.abspath(path)：返回绝对路径
• os.path.basename(path)：返回文件名
• os.path.dirname(path)：返回文件路径
• os.path.exists(path)：判断路径是否存在
• os.path.isfile(path)：判断路径是否为文件
• os.path.isdir(path)：判断路径是否为目录
• os.path.split(path)：将路径分割成目录和文件名的元组
• os.path.splitext(path)：分割路径的扩展名
• os.path.getsize(path)：返回文件大小

这些函数可以帮助你处理文件路径，获取文件名、目录名，判断路径是否存在，以及获取文件大小等操作。

我们当前的文件默认为__file__,比如要返回当前路径：

返回文件名：

下面我们创建一个人工数据集，并存储在csv文件中，文件../data/house_tiny.csv中。

os.makedirs(os.path.join('..', 'data'), exist_ok=True)
这段代码的作用是在当前目录的上一级目录（使用“..”）来创建一个/data的文件夹，如果存在则不会抛出异常，（如果没有exist_ok参数，存在的话，会抛出异常）。

data_file=os.path.join('..', 'data', 'house_tiny.csv')
这段代码是表示当前路径的/data下的house_tiny.csv文件。

with open(data_file, 'w') as f:
这里，如果data_file文件不存在会自动创建一个空文件，明显，上句中并不会创建文件，house_tiny.csv文件是在open函数里面创建的。

f.write('NumRooms,Alley,Price\n')#写入第一行
f.write('NA,Pave,127500\n')#写入第二行
f.write('2,NA,106000\n')#写入第三行
f.write('4,NA,178100\n')#写入第四行
f.write('NA,NA,140000\n')#写入第五行
\n是转义字符，表示换行。

不过删除行比较困难，这里我们需要一些技巧，我们将文件内容读入lines列表中，然后将列表中元素写入一个新的文件，同时跳过指定元素。

这些代码执行完后就会在你当前文件的上一层目录中生成一个文件，文件中含有house_tiny.csv文件：

该文件中又有写入的数据：

而后我们要读取数据集，用来加载原始数据，我们需要导入pandas包，并调用read_csv函数，该数据集有四行三列。

通常将文件的第一行默认为属性，从第二行开始作为每一个样本数据，左边是索引，索引从0开始。

处理缺失值：

NaN表示缺失值，处理缺失值我们将常用到插值法，当然也有删除法。以下是删除法：dropna函数是删除，后面的参数subset=['NumRooms']表示删除指定的列，如果没有这个参数，则默认是所有的列。

我们还可以用插值法处理，在这里，我们将房屋数量中NAN值变为已知数据的均值（inputs.mean()），其实指的是这一列的均值，其中NAN表示默认为0。

当然我们还可以指定填充。

这里我们将Alley属性为NAN的默认填充为niuqiuyu。

对于inputs中的类别值或离散值，我们将NaN视作一个类别，由于Alley列只接受两种类别值Pave和NaN，pandas可以自动将此列转化为两列Alley_Pave和Alley_nan,对应样本存在的话为true，否则为false。

转化为张量格式：

现在inputs和outputs中的条目都是数值类型，可以将他们转化为张量格式，我们通常使用张量格式进行计算。values函数是保留数值。

一个小quiz：

1，删除缺失值最多的列。
2，将预处理后的数据集转化为张量格式。

（答案将在下集揭晓）