【深度学习笔记】数据预处理全流程：从 Pandas 读取到 PyTorch 张量

2026/8/5 8:33:18

前言：在深度学习的实际项目中，数据通常不是“喂到嘴边”的完美张量（Tensor）。现实世界的数据往往是包含缺失值、离散文本的原始 CSV 或 Excel 文件。数据预处理是训练模型的第一步，也是决定模型上限的关键环节。本文基于《动手学深度学习》的数据预处理章节，结合在真实工程中的应用经验，梳理从原始数据到机器学习可用张量的完整流程及核心避坑点。

一、准备工作：原始数据集

在正式处理前，我们模拟现实场景，先通过 Python 内置的os模块，手动生成一份包含缺失值（NA）的房屋数据，并保存为house_tiny.csv文件。

import os # 创建文件夹 os.makedirs(os.path.join('..', 'data'), exist_ok=True) data_file = os.path.join('..', 'data', 'house_tiny.csv') # 写入模拟数据 with open(data_file, 'w') as f: f.write('NumRooms,Alley,Price\n') # 列名：房间数，巷子类型，价格 f.write('NA,Pave,127500\n') # 缺失房间数 f.write('2,NA,106000\n') # 缺失巷子类型 f.write('4,NA,178100\n') # 缺失巷子类型 f.write('NA,NA,140000\n') # 房间数和巷子类型都缺失

文件中的NA代表缺失值（Not Available），这是原始数据中最常见的“脏数据”形式。

二、数据读取：使用pandas加载csv

import pandas as pd # 读取刚才生成的 CSV 文件 data = pd.read_csv(data_file) print("原始数据预览：") print(data)

输出预览：

text

NumRooms Alley Price 0 NaN Pave 127500 1 2.0 NaN 106000 2 4.0 NaN 178100 3 NaN NaN 140000

三、数据清洗：处理缺失值

# 1. 拆分为输入特征 (inputs) 和 输出标签 (outputs) inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2] # 2. 处理连续数值列的缺失值：用该列的均值填补 # 注意：这里的 numeric_only=True 是为了防止后续 Pandas 版本报错 inputs = inputs.fillna(inputs.mean(numeric_only=True)) print("\n数值列填补均值后：") print(inputs) # 3. 处理类别列的缺失值：使用独热编码 (One-Hot Encoding) # 将 "Alley" 列拆解为 "Alley_Pave" 和 "Alley_nan" 两列 inputs = pd.get_dummies(inputs, dummy_na=True) print("\n类别列进行独热编码后：") print(inputs)

四、张量转换：可用于深度学习模型

import torch # 将 Pandas 数据转换为 PyTorch 张量 X = torch.tensor(inputs.values, dtype=torch.float32) y = torch.tensor(outputs.values, dtype=torch.float32) print("\n转换后的输入张量 X：\n", X) print("转换后的输出张量 y：\n", y)

五、实战指南⭐

1.数据切分

from sklearn.model_selection import train_test_split # 切分为 80% 训练集 和 20% 测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

2. 独热编码（One-Hot）的问题

使用 Pandas 的get_dummies处理类别特征时，如果测试集中出现了一个训练集中从未见过的类别（比如巷子是“砖块”），Pandas 会在测试集自动多出一列Alley_Brick，导致训练集和测试集的特征列数不匹配，PyTorch 模型会直接报错。

这个情况下我们会再来一部分的代码：

# 如果测试集有训练集没有的新列，直接舍弃； # 如果测试集缺少训练集有的列（即新类别没出现），自动用 0 填补对齐 test_encoded = test_encoded.reindex(columns=train_encoded.columns, fill_value=0)

✅ 可以使用sklearn.preprocessing.OneHotEncoder(handle_unknown='ignore')，当遇到未知类别时，它不会报错，而是直接全部标为 0。

学习中遇到的问题总结：

1、

问：为什么Alley列被转换成了Alley_Pave和Alley_nan两列，而NumRooms列却依然保持原样（3.0, 2.0, 4.0, 3.0），没有对其进行转换？

答：

pandas.get_dummies()的机制：
- get_dummies的默认行为是将分类变量（categorical variables）（即字符串/文本类型或对象类型）转换成独热编码（one-hot encoding）。
- 会忽略数值型的列
- 在inputsDataFrame 中，NumRooms是浮点数（float 类型），而Alley是字符串/对象（object 类型）。
- 因为使用了dummy_na=True，它也会将缺失值NaN（无论该列是数值型还是类别型）当作一个类别来处理。不过，对于NumRooms列，虽然它包含 NaN（在填充均值后变成了 3.0，所以这里已经没有了 NaN），就算有 NaN，在默认行为下也不会把它作为分类列进行独热编码。