一、問題

????機器學習或者深度學習在處理表格數據（Tabular data）、圖像數據（Image data）、文本數據（Text data）、時間序列數據（Time series data）上得到了廣泛的應用。

????其中，表格數據是機器學習應用最多的一種數據，在表格數據中，每一行代表一個樣本，每一列代表一個特征/標簽，每一個特征/標簽通常是一個一維列表或者一個一維數組，多個特征/標簽通常是多個一維數組。

????假如現在有5個樣本，3個特征列，1個標簽列，給出的數據如下：

fea1?=?np.array([1,?2,?3,?4,?5])

fea2?=?np.array([3,?2,?1,?4,?3])

fea3?=?np.array([5,?2,?3,?4,?1])

label = ?np.array([0, 1, 1, 0, 1])

如何對上面的給的數據進行處理，喂給機器學習模型呢？

二、數組堆疊

將數組進行堆疊，轉化為多個長度相同的一維數組轉化為二維數組

data_x = np.column_stack((fea1, fea2, fea3))
# data_x = np.array([[1,3,5],[2,2,2],[3,1,3],[4,4,4],[5,3,1]])
data_y = label.reshape((len(label), 1))
# data_y = np.array([[0],[1],[1],[0],[1]])

引申問題1：data_y不做reshape操作可不可以？

答案是可以。標簽只有一列，那么可以不轉化為二維數組，可以直接劃分數據集，喂給模型。

三、轉化為dataframe數據框

將多個一維數組轉化為dataframe

df?=?pd.DataFrame({'fea1':?fea1,?'fea2':?fea2,?'fea3':?fea3,?'label':?label})
data_x?=?df[['fea1',?'fea2',?'fea3']].values
# data_x = np.array([[1,3,5],[2,2,2],[3,1,3],[4,4,4],[5,3,1]])
data_y = df[['label']].values
# data_y = np.array([[0],[1],[1],[0],[1]])

引申問題1：data_x和data_y不轉化為數組，data_x?= df[['fea1',?'fea2',?'fea3']]，data_y?= df[['label']]行不行？

答案是可以的，此時data_x和data_y的數據類型都是dataframe，而對于表格數據，是可以喂給機器學習dataframe數據類型的。

引申問題2：data_y = df['label'].values或者直接data_y = df['label']這樣行不行？

答案是可以。標簽只有一列，模型可以接收series或者一維數組。

四、驗證

接下來，就可以將上訴方法得到的data_x, data_y進行數據劃分，并進行模型訓練和推理等后續處理啦

x_train, x_test, y_train, y_test = train_test_split(data_x, data_y, test_size=1/5)
model = LinearRegression()
model.fit(X_train, y_train)
y_pred_test = model.predict(x_test)

五、總結

• 對于表格數據，機器學習模型理想希望吃到的數據（數據集劃分之前）應該是一個二維數組，對于有標簽的數據而言，特征和標簽各自應該是一個二維數組，二維數組的每個元素對應一個樣本的（多個）特征或者（多個）標簽。

• 對于表格數據，機器學習模型也接收dataframe數據類型，對于有標簽的數據而言，特征和標簽各自應該是一個dataframe數據類型。

• 對于表格數據，如果特征或者標簽只有一列，機器學習模型也可以接收一維數組或series。

本人讀研期間發表5篇SCI數據挖掘相關論文，現在某研究院從事數據算法相關科研工作，對Python有一定認知和理解，會結合自身科研實踐經歷不定期分享關于python、機器學習、深度學習等基礎知識與應用案例。

致力于只做原創，以最簡單的方式理解和學習，關注我一起交流成長。

1、關注文末公眾號即可在后臺聯系我獲取相關數據集和源碼。

2、關注“數據雜壇”公眾號，點擊“領資料”即可免費領取資料書籍。

3、有論文指導相關需求，點擊“聯系我”添加作者微信直接交流。