Run this notebook online:\ |Binder| or Colab: |Colab|
.. |Binder| image:: https://mybinder.org/badge_logo.svg
:target: https://mybinder.org/v2/gh/deepjavalibrary/d2l-java/master?filepath=chapter_preliminaries/tablesaw.ipynb
.. |Colab| image:: https://colab.research.google.com/assets/colab-badge.svg
:target: https://colab.research.google.com/github/deepjavalibrary/d2l-java/blob/colab/chapter_preliminaries/tablesaw.ipynb
.. _sec_tablesaw:
数据预处理
==========
到目前为止,我们已经介绍了处理存储在\ ``NDArrays``\ 中数据的各种技术。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\ ``NDArrays``\ 格式数据开始。在Java常用的数据分析工具中,通常使用
``tablesaw``
软件包。如果你以前使用过Python的\ ``pandas``\ 你会发现\ ``tablesaw``\ 的API和\ ``pandas``\ 很相似。因此,我们将简要介绍使用
``tablesaw``
预处理原始数据并将原始数据转换为\ ``NDAarray``\ 格式的步骤。我们将在后面的章节中介绍更多的数据预处理技术。
导入tablesaw依赖项
------------------
在 Jupyter 中使用\ ``tablesaw``\ ,可以用如下的方法导入依赖性项:
::
%%loadFromPOM
tech.tablesaw
tablesaw-jsplot
0.38.1
为了方便使用,我们把\ ``tablesaw``\ 的依赖项以及常用类存到:\ ``plot-utils.ipynb``\ 文件。只要用如下的命令加载即可:
.. code:: java
%load ../utils/plot-utils.ipynb
读取数据集
----------
举一个例子,我们首先(\ **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。下面的\ ``mkdir_if_not_exist``
函数可确保目录 ``../data`` 存在。注意,注释
``#@save``\ 是一个特殊的标记,该标记下方的函数、类或语句将保存在 ``d2l``
软件包中,以便以后可以直接调用它们(例如
``d2l.mkdir_if_not_exist(path)``\ )而无需重新定义。
下面我们将数据集按行写入 csv 文件中。
.. code:: java
%load ../utils/djl-imports
.. code:: java
File file = new File("../data/");
file.mkdir();
String dataFile = "../data/house_tiny.csv";
// Create file
File f = new File(dataFile);
f.createNewFile();
// Write to file
try (FileWriter writer = new FileWriter(dataFile)) {
writer.write("NumRooms,Alley,Price\n"); // Column names
writer.write("NA,Pave,127500\n"); // Each row represents a data example
writer.write("2,NA,106000\n");
writer.write("4,NA,178100\n");
writer.write("NA,NA,140000\n");
}
要从创建的 csv 文件中加载原始数据集,我们导入 ``tablesaw`` 包并调用
``read``
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”)。
.. code:: java
Table data = Table.read().file("../data/house_tiny.csv");
data
.. parsed-literal::
:class: output
NumRooms | Alley | Price |
---------------------------------
| Pave | 127500 |
2 | | 106000 |
4 | | 178100 |
| | 140000 |
处理缺失值
----------
注意,有一些字段数据为空。为了处理缺失的数据,典型的方法包括 *插值* 和
*删除*\ ,其中插值用替代值代替缺失值。而删除则忽略缺失值。在这里,我们将考虑插值。
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``\ 中缺少的的数值,我们用同一列的均值替换缺失数据项。对于
``inputs`` 中缺少的的数值,我们用同一列的均值替换缺失数据项。
.. code:: java
Table inputs = data.create(data.columns());
inputs.removeColumns("Price");
Table outputs = data.select("Price");
Column col = inputs.column("NumRooms");
col.set(col.isMissing(), (int) inputs.nCol("NumRooms").mean());
inputs
.. parsed-literal::
:class: output
NumRooms | Alley |
----------------------
3 | Pave |
2 | |
4 | |
3 | |
对于 ``inputs`` 中的类别值或离散值,我们将缺失数据视为一个类别。由于
“巷子”(“Alley”)列只接受两种类型的类别值 “Pave”
和缺失数据,\ ``tablesaw`` 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。
.. code:: java
StringColumn col = (StringColumn) inputs.column("Alley");
List dummies = col.getDummies();
inputs.removeColumns(col);
inputs.addColumns(DoubleColumn.create("Alley_Pave", dummies.get(0).asDoubleArray()),
DoubleColumn.create("Alley_nan", dummies.get(1).asDoubleArray())
);
inputs
.. parsed-literal::
:class: output
NumRooms | Alley_Pave | Alley_nan |
-----------------------------------------
3 | 1 | 0 |
2 | 0 | 1 |
4 | 0 | 1 |
3 | 0 | 1 |
转换为NDArray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NDArray格式。当数据采用张量格式后,可以通过在
:numref:`sec_ndarray` 中引入的那些NDArray函数来进一步操作。
.. code:: java
NDManager nd = NDManager.newBaseManager();
NDArray x = nd.create(inputs.as().doubleMatrix());
NDArray y = nd.create(outputs.as().intMatrix());
x
.. parsed-literal::
:class: output
ND: (4, 3) gpu(0) float64
[[3., 1., 0.],
[2., 0., 1.],
[4., 0., 1.],
[3., 0., 1.],
]
.. code:: java
y
.. parsed-literal::
:class: output
ND: (4, 1) gpu(0) int32
[[127500],
[106000],
[178100],
[140000],
]
小结
----
- 像庞大的 Java 生态系统中的许多其他扩展包一样,\ ``tablesaw``
可以与NDArray兼容。
- 插值和删除可用于处理缺失的数据。
练习
----
创建包含更多行和列的原始数据集。
1. 删除缺失值最多的列。
2. 将预处理后的数据集转换为NDArray格式。