1. 導入標準庫

   import numpy as np
   import matplotlib.pyplot as plt
   import pandas as pd

2. 導入數據集

   dataset = pd.read_csv(‘data (1).csv‘)  # read_csv：讀取csv文件
   #創建一個包含所有自變量的矩陣，及因變量的向量
   #iloc表示選取數據集的某行某列；逗號之前的表示行，之後的表示列；冒號表示選取全部，沒有冒號，則表示選取第幾列；values表示選取數據集裏的數據。
   X = dataset.iloc[:, :-1].values # 選取數據，不選取最後一列。
    
   
   y = dataset.iloc[:, 3].values # 選取數據,選取每行的第3列數據

3. 缺失數據

   from sklearn.preprocessing import Imputer #進行數據挖掘及數據分析的標準庫，Imputer缺失數據的處理
   #Imputer中的參數：missing_values 缺失數據，定義怎樣辨認確實數據，默認值：nan ;strategy 策略，補缺值方式 ： mean-平均值 ， median-中值 ， most_frequent-出現次數最多的數 ； axis =0取列 =1取行 
   imputer = Imputer(missing_values = ‘
    
   NaN‘, strategy = ‘mean‘, axis = 0)
   imputer = imputer.fit(X[:, 1:3])#擬合fit
   X[:, 1:3] = imputer.transform(X[:, 1:3])

4. 分類數據

   from sklearn.preprocessing import LabelEncoder,OneHotEncoder
   labelencoder_X=LabelEncoder()
   X[:,0]=labelencoder_X.fit_transform(X[:,0])
   onehotencoder=OneHotEncoder(categorical_features=[0])
   X
    
   =onehotencoder.fit_transform(X).toarray()
   #因為Purchased是因變量，Python裏面的函數可以將其識別為分類數據，所以只需要LabelEncoder轉換為分類數字
   labelencoder_y=LabelEncoder()
   y=labelencoder_y.fit_transform(y)

5. 將數據集分為訓練集和測試集

   from sklearn.model_selection import train_test_split
   X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=0)
   #X_train（訓練集的字變量）,X_test（測試集的字變量）,y_train（訓練集的因變量）,y_test（訓練集的因變量）
   #訓練集所占的比重0.2~0.25，某些情況也可分配1/3的數據給訓練集；train_size訓練集所占的比重
   #random_state決定隨機數生成的方式，隨機的將數據分配給訓練集和測試集；random_state相同時會得到相同的訓練集和測試集

6. 特征縮放

   #特征縮放（兩種方式：一：Standardisation(標準化）；二：Normalisation（正常化））
   from sklearn.preprocessing import StandardScaler
   sc_X=StandardScaler()
   X_train=sc_X.fit_transform(X_train)#擬合,對X_train進行縮放
   X_test=sc_X.transform(X_test)#sc_X已經被擬合好了，所以對X_test進行縮放時，直接轉換X_test

7. 數據預處理模板
   （1）導入標準庫
   （2）導入數據集
   （3）缺失和分類很少遇到
   （4）將數據集分割為訓練集和測試集
   （5）特征縮放，大部分情況下不需要，但是某些情況需要特征縮放

Python----數據預處理