Run this notebook online:Binder or Colab: Colab

2.2. 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。

2.2.1. 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
<dependency>
    <groupId>tech.tablesaw</groupId>
    <artifactId>tablesaw-jsplot</artifactId>
    <version>0.38.1</version>
</dependency>

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:

%load ../utils/plot-utils.ipynb

2.2.2. 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。

%load ../utils/djl-imports
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”)。

Table data = Table.read().file("../data/house_tiny.csv");
data
 NumRooms  |  Alley  |  Price   |
---------------------------------
           |   Pave  |  127500  |
        2  |         |  106000  |
        4  |         |  178100  |
           |         |  140000  |

2.2.3. 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inputsoutputs,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。

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
 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。

StringColumn col = (StringColumn) inputs.column("Alley");
List<BooleanColumn> 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
 NumRooms  |  Alley_Pave  |  Alley_nan  |
-----------------------------------------
        3  |           1  |          0  |
        2  |           0  |          1  |
        4  |           0  |          1  |
        3  |           0  |          1  |

2.2.4. 转换为NDArray格式

现在 inputsoutputs 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 sec_ndarray 中引入的那些NDArray函数来进一步操作。

NDManager nd = NDManager.newBaseManager();
NDArray x = nd.create(inputs.as().doubleMatrix());
NDArray y = nd.create(outputs.as().intMatrix());
x
ND: (4, 3) gpu(0) float64
[[3., 1., 0.],
 [2., 0., 1.],
 [4., 0., 1.],
 [3., 0., 1.],
]
y
ND: (4, 1) gpu(0) int32
[[127500],
 [106000],
 [178100],
 [140000],
]

2.2.5. 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。

2.2.6. 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。