深度学习——数据预处理，张量降维

一、数据预处理

1.1 读取数据集

  将数据集按行写入csv文件中。要从创建的csv文件中加载原始数据集，导入pandas包并调用read_csv函数。

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, Alley, Price \n')  #列名f.write('NumRooms,Alley,Price\n')  # 列名f.write('NA,Pave,127500\n')  # 每行表示一个数据样本f.write('2,NA,106000\n')f.write('4,NA,178100\n')f.write('NA,NA,140000\n')

1.2 处理缺失值

  NaN项代表缺失值。处理缺失值的数据的典型方法包括插值法和删除法，其中插值法用一个替代值弥补缺失值，而删除法则直接忽略缺失值。
  通过位置索引iloc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中的缺失值，可以用同一列的均值替换NaN项。

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

  出现如下报错的原因：原因是第2列识别为str，无法进行数值平均运算，需要在括号加入限制条件，仅在数据类型为数值的列进行平均值插值。

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

data.iloc[ ]是python中pandas库的一个非常有用的功能函数，它允许通过行和列的整数位置索引来选择数据。
data.iloc[:, 0:2] 代表选择第1,2列的所有行
data.iloc[:, 2] 代表选择第3列的所有行

  对于inputs中的类别值或离散值，我们将NaN视为一个类别。由于Alley列只接受两种类型的类别值Pave和NaN，pandas可以自动将此列转换为两列Alley_pave和Alley_nan。Alley列为pave的行为将Alley_pave的值设置为1，Alley_nan的值设置为0；缺失Alley列的会将Alley_pave和Alley_nan分别设置为0和1.

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

pd.get_dummies( )是pandas库中用于独热编码（One-Hot Encoding）的函数。它的作用是将分类（离散）变量的每个不同取值都拓展为一个新的二进制编码（0或1），从而方便机器学习模型处理。
dtype可以指定输出的类型，默认情况下，输出的是布尔值（True或False），改为int类型，输出的是0或1

1.3 转换为张量类型

  输入的inputs和outputs中的所有元素都是数值类型，它们可以转换为张量格式。

import torchX = torch.tensor(inputs.to_numpy(dtype=float))
y = torch.tensor(outputs.to_numpy(dtype=float))
X, y

二、张量

2.1 张量算法的基本性质

2.1.1 两个形状相同的张量相加

A = torch.arange(20, dtype=torch.float32).reshape(5,4)
B = A.clone() #通过分配新内存,将A的一个副本分配给B
A , A+B

2.1.2 哈达玛积

  两个矩阵的按元素乘法称为哈达玛积，数学符号为$⨀$

A*B

2.1.3 与标量相加或相乘

  将张量加上或乘以一个标量不会改变张量的形状，其中张量的每个元素都将与标量相加或相乘。

a = 2
x=torch.arange(24).reshape(2,3,4)
a+x, (a*x).shape

2.2 降维

A = torch.arange(20).reshape(5,4)
A

  默认情况下，调用求和函数会沿所有的轴降低张量的维度，使它变为一个标量。可以指定张量沿哪一个轴来通过求和降低维度。

2.2.1 对所有行的元素求和来降维（轴0）

  可以在调用函数时，指定axis=0，由于输入矩阵沿轴0降维以生产输出向量，此输入轴0的维度在输出形状中消失。

A_sum_axis0 = A.sum(axis=0)
A_sum_axis0 , A_sum_axis0 .shape

2.2.2 对所有列的元素求和来降维（轴1）

A_sum_axis1 = A.sum(axis=1)
A_sum_axis1 , A_sum_axis1 .shape

2.2.3 对所有元素求和

  沿着行和列对矩阵求和，等价于对矩阵的所有元素求和。

A.sum(axis=[0,1])

2.2.4 平均值

$$两种方法=\{\begin{array}{l}1、总和除以元素总数来计算平均值\\ 2、通过调用函数来计算任意形状张量的平均值\end{array}$$

A = torch.arange(20, dtype=torch.float32).reshape(5,4)
A
A.mean(), A.sum()/A.numel()

2.3 非降维求和：保持轴数不变

A = torch.arange(20, dtype=torch.float32).reshape(5,4)
print(A)
sum_A = A.sum(axis=1, keepdims = True)
sum_A

keepdims为True，表示求和前后shape不变，一般情况下，keepdims为False

  由于sum_A在对每行进行求和后，仍保持两个轴，可以通过广播将A除以sum_A

A / sum_A

  如果想要沿某个轴计算A的元素的累积总和，可以调用cumsum函数，此函数不会沿任何轴降低输入张量的维度。

A.cumsum(axis=0)

2.4 点积

  相同位置的按元素乘积的和

x = torch.arange(4, dtype = torch.float32)
y = torch.ones(4, dtype = torch.float32)
x, y ,torch.dot(x, y)

三、范数

  L2范数是向量元素平方和的平方根
$$\Vert \mathbf{x}{\Vert }_2=\sqrt{\sum _{i=1}^n{x}_i^2}$$

u = torch.tensor([3.0, -4.0])
torch.norm(u)

  L1范数表示为向量元素的绝对值之和
$$\Vert \mathbf{x}{\Vert }_1=\sum _{i=1}^n|x_i|$$
  与L2范数相比，L1范数受到异常值的影响较小，为了计算L1范数，将绝对值函数和按元素求和函数组合起来。

torch.abs(u).sum()