数据处理 订阅
数据(Data)是对事实、概念或指令的一种表达形式,可由人工或自动化装置进行处理。数据经过解释并赋予一定的意义之后,便成为信息。数据处理(data processing)是对数据的采集、存储、检索、加工、变换和传输。数据处理的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据。数据处理是系统工程和自动控制的基本环节。数据处理贯穿于社会生产和社会生活的各个领域。数据处理技术的发展及其应用的广度和深度,极大地影响了人类社会发展的进程。 展开全文
数据(Data)是对事实、概念或指令的一种表达形式,可由人工或自动化装置进行处理。数据经过解释并赋予一定的意义之后,便成为信息。数据处理(data processing)是对数据的采集、存储、检索、加工、变换和传输。数据处理的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据。数据处理是系统工程和自动控制的基本环节。数据处理贯穿于社会生产和社会生活的各个领域。数据处理技术的发展及其应用的广度和深度,极大地影响了人类社会发展的进程。
信息
处理软件
管理数据的文件、数据库系统等
外文名
data processing
领    域
社会生产和社会生活
中文名
数据处理
步    骤
对数据的采集、存储、检索等
目    的
转化为有用信息
数据处理基本信息
处理软件数据处理离不开软件的支持,数据处理软件包括:用以书写处理程序的各种程序设计语言及其编译程序,管理数据的文件系统和数据库系统,以及各种数据处理方法的应用软件包。为了保证数据安全可靠,还有一整套数据安全保密的技术。方式根据处理设备的结构方式、工作方式,以及数据的时间空间分布方式的不同,数据处理有不同的方式。不同的处理方式要求不同的硬件和软件支持。每种处理方式都有自己的特点,应当根据应用问题的实际环境选择合适的处理方式。数据处理主要有四种分类方式①根据处理设备的结构方式区分,有联机处理方式和脱机处理方式。②根据数据处理时间的分配方式区分,有批处理方式、分时处理方式和实时处理方式。③根据数据处理空间的分布方式区分,有集中式处理方式和分布处理方式。④根据计算机中央处理器的工作方式区分,有单道作业处理方式、多道作业处理方式和交互式处理方式。数据处理对数据(包括数值的和非数值的)进行分析和加工的技术过程。包括对各种原始数据的分析、整理、计算、编辑等的加工和处理。比数据分析含义广。随着计算机的日益普及,在计算机应用领域中,数值计算所占比重很小,通过计算机数据处理进行信息管理已成为主要的应用。如测绘制图管理、仓库管理、财会管理、交通运输管理,技术情报管理、办公室自动化等。在地理数据方面既有大量自然环境数据(土地、水、气候、生物等各类资源数据),也有大量社会经济数据(人口、交通、工农业等),常要求进行综合性数据处理。故需建立地理数据库,系统地整理和存储地理数据减少冗余,发展数据处理软件,充分利用数据库技术进行数据管理和处理。
收起全文
精华内容
参与话题
问答
  • 为了方便使用,博文中附上了包括数据集整理及数据预处理在内的所有代码及处理好的数据集,同时对代码进行了解释,其要点如下:UCI数据集介绍、不同数据集的整理程序、148个整理好的数据集与对应程序。

    介绍图
    摘要:本文对机器学习中的UCI数据集进行介绍,带你从UCI数据集官网出发一步步深入认识数据集,并就下载的原始数据详细讲解了不同类型的数据集整理如何通过程序进行整理。为了方便使用,博文中附上了包括数据集整理及数据预处理在内的所有代码及处理好的数据集,同时对代码进行了解释,其要点如下:

    \color{#4285f4}{点}\color{#ea4335}{击}\color{#fbbc05}{跳}\color{#4285f4}{转}\color{#34a853}{至}\color{#ea4335}{博}\color{#4285f4}{文}\color{#ea4335}{涉}\color{#fbbc05}{及}\color{#4285f4}{的}\color{#34a853}{全}\color{#ea4335}{部}\color{#fbbc05}{文}\color{#4285f4}{件}\color{#34a853}{下}\color{#ea4335}{载}\color{#fbbc05}{页}


    前言

      UCI\color{#4285f4}{U}\color{#ea4335}{C}\color{#fbbc05}{I}\color{#4285f4}数据集作为机器学习算法比较中的绝对经典经常出现在大多数论文或研究中。为了验证机器学习算法性能,UCI数据集通常用作为通用数据集,但官网提供的原始数据可能有格式不一致、缺失数据、包含特殊字符等问题,通常不能直接用于算法程序中,数据集的查找、下载、整理等可能会给初学者带来一定困扰。

    UCI官网配图
      对于数据集的查找整理确实是件费时费力的事情,是不是总有“论文就一篇,数据找半天”的问题?这里就来探讨下数据集整理的那些事。其实早前作者就写了一篇关于UCI数据集处理的博文:UCI数据集整理(附论文常用数据集)介绍了如何用程序整理数据集,这里会更加深入地介绍不同类型的数据集处理方法及数据预处理。本文较长建议结合右侧的目录阅读。


    1.UCI数据集介绍

      这一节先从UCI数据集官网出发介绍数据集的属性、格式等信息,在我的博文:UCI数据集整理(附论文常用数据集)中也有部分介绍,对数据集熟悉或想看数据处理代码干货的朋友也可以直接跳转至下一节。下面先看一下对UCI数据集的介绍。

    1.1 UCI数据集官网介绍

      UCI\color{#4285f4}{U}\color{#ea4335}{C}\color{#fbbc05}{I}\color{#4285f4}(University of California Irvine)数据集是美国加州大学欧文分校提出的一种适合模式识别和机器学习方向的开源数据集,很多学者选择使用UCI上的数据集来验证自己所提算法的正确性。博文写作时已拥有488个数据集,数据集还在不断扩充中,这些数据集主要分为二值分类问题、多分类问题以及回归拟合问题。UCI数据集提供了各个数据集的上主要属性,可以根据自己提出的各类算法在其数据集上做实验结果论证,证明自己所提算法的合理性。
    uci官网
    UCI数据集官网地址:https://archive.ics.uci.edu/ml/index.php
    UCI数据集数据地址:https://archive.ics.uci.edu/ml/datasets.php

      我在下图所示的UCI数据集官网截图中对其页面主要部分进行了标注,可以看出主页中主要包括了数据集页面入口、最新数据集、经典数据集及数据集的最近消息等。数据集页面入口提供了进入官网查看全部数据集的链接,为了方便用户查找在「最新数据集」和「经典数据集」区域整理了最新收录以及引用最多的几个数据集。如果只是简单测试下代码,直接点击页面上提供的数据集链接下载几个数据集就可以了,如果还需要更多数据集那就进入数据集页面入口,该页面发布有全部的数据集。

    首页介绍
      下图(图中页面已翻译)所示的全部数据集页面是一个按类型排列的数据表,可以按照数据集名称、任务类型、属性类型、数据类型等进行排列查找,点击想要的数据集链接可进入该数据集详情页。值得注意的是,右上角有一个搜索框,用户可以通过输入数据集名字搜索数据集,不过比较可惜亲测下来该搜索在没有外网VPN的加持下可能不能打开网页 (当然不能用的还有搜数据集的利器——谷歌数据集搜索)。
    在这里插入图片描述
      现在以官网数据集页面中的Adult(成年人收入)数据集为例,介绍以下数据集详情页面,点击链接进入Adult数据集页面,页面主要情况如下图1.1.1所示。对于需要特别关注的地方我已经用红色标记,主要包括数据集下载页面链接、数据集说明下载链接、数据量、属性数、是否确实数据及属性信息。当然其他的信息不可说没有必要,当我们要选用某个数据集进行测试时,了解更多的相关信息有助于更好根据数据情况对算法做出调整。页面最后面的相关论文和引用文献也能帮助了解专业情况。

    adult数据集页面

    图1.1.1 Adult数据集页面

    这里对上面提及的几个重要部分做个简介:

    • 数据量(Number of Instances):或称实例数,表示数据集有多少行数据。
    • 属性数(Number of Attributes):表示数据集每行有多少个特征属性,决定了数据集复杂程度。
    • 属性信息(Attribute Information):这里介绍了数据集的分类类别,及每个属性表示的意义。例如上图数据集中介绍了成年人收入的两种分类类别:> 50K, <= 50K,属性情况:年龄、工作类别、教育程度等14个属性。
    • 是否缺失数据(Missing Values):这体现了数据集中是否有某些数据缺失,如有缺失,则应特别注意在数据处理时需要补充数据或删除无效数据。
    • 属性类型(Attribute Characteristics):一般有Categorical(类别型), Integer(整数型), Real(实数型)这三种。值得注意的是,如果这一栏中有Categorical型表示该数据集中可能会包含字符串,处理数据时需要用对应数字代替。

    1.2 数据集文件认识

    下载链接
      如上图所示,点击Data Folder进入Adult数据集文件下载目录页面,可以看到该数据集的文件目录如下图所示。点击下载链接即可下载该数据集,Adult数据集已经划分好训练和测试数据集(一般的数据集未划分则只有一个数据文件),所以这里需要分别下载下图所示的两处文件,如下在链接上右键,点击“链接另存为”即可下载文件。

    数据集下载
      上面下载的文件格式类型为data型,该文件在MATLAB中可以直接打开(也可以右击选择打开方式为记事本打开),打开的文件内容如下图(加的红线分割左侧为属性,右侧为标记):

    Adult文件内容

    图1.2.1 Adult文件数据详情

      可以看到文件中的数据中既有英文字符串又有整数,果然同前面介绍页中的“属性类型”显示的那样为Categorical型和Integer性。刚学习的朋友可能不太能明白这一堆数据里面到底是些什么,这一堆奇怪的数据真的能被算法直接计算吗?其实在上面一小节中已经有所提及,前面我们看到Adult数据集详情页面中“Attribute Information(属性信息)”那一栏(如图1.2.2)介绍的该数据集的类别有两个:> 50K, <= 50K,也就是收入超过50K和不超过50K两类。这说明每行最后面的那一栏是就标签,这实际是一个二分类任务的数据集,每行前面的14个数据分别是年龄、工作类别、教育程度等14个属性,如下图1.2.2:

    属性信息

    图1.2.2 Adult数据集属性信息

      再仔细看图1.2.1中的数据,结合图1.2.2可以知道每行的第一个属性表示的是年龄,它是个连续的整数型数据。而第二个属性为工作类别,它是一个英文字符串表示的字符型离散值,在整个数据集中这一属性实际可能取值是:Private, Self-emp-not-inc, Self-emp-inc, Federal-gov, Local-gov, State-gov, Without-pay, Never-worked这几个工作类别,也就是前面说的Categorical型,同样的还有第4,6,7…个属性表示的教育程度、婚姻状况、职业等等。这为我们后面用程序整理数据集提供了思路,既然是有限类别的,那我们就可以用类似1,2,3…这样的数字代替对应的英文字符串从而转化为一个纯数字的数据文件供算法程序使用了,后面一章将详细介绍。

      前面的图1.2.1中展示的是数据集前12行的数据,但如果我们再仔细浏览后面的数据还有一些值得注意的地方,如下图1.2.3标记的第15行数据。

    adult缺失数据信息

    图1.2.3 Adult数据集缺失数据部分

      该行数据的第14个属性表示为“?”意味着该处数据缺失,也就是国籍不详(第14个属性表示国籍),此外还有其他少数的几行有部分数据缺失。这和前面图1.1.1中的描述的“存在数据缺失”相符,数据缺失在机器学习中也很常见,因为数据的采集过程可能比较复杂,有些数据缺失在所难免。对于缺失的数据我们要做的也很简单,那就是“补上还能用的数据,或者删掉无效的数据”就可以了,下一章会详细讲述。

    存在缺失数据

    1.3 不同类型的UCI数据集

      上面两个小节以Adult数据集为例从头到尾介绍了一遍如何认识和理解数据集文件中的数据,读者应该对UCI数据集有了一个基本认识。其实Adult数据集算是一个比较“复杂麻烦”的数据集了,大多的数据集不会有那么多英文字符和数据缺失。大多的数据集属性为数字,类别标签可能是数字或英文字符,数据也比较完整是无需我们处理缺失数据的。在我的博文《UCI数据集整理(附论文常用数据集)》中也有介绍,有兴趣的可以点过去看一下。之所以说得这么复杂是因为这个数据集几乎包含了UCI数据集中的所有可能的“麻烦问题”。接下来简单列举总结下UCI数据集文件中数据的几种类型,这将决定了我们后面采用怎样的方式整理数据集。

      为了后面叙述方便,原谅我不太专业地根据文件中的数据是否部分包含英文字符、是否为纯数字、是否缺失数据将其分为三个难度:“纯数字、无缺失”,“部分英文字符、无缺失”,“部分or全部英文字符、有缺失”来分别介绍。当然还有“纯数字、有缺失”等组合,但是也可以参考第三种对缺失的处理方式,为了避免重复叙述这里就省略了。这三种情况的代表数据集有Glass数据集Abalone数据集Adult数据集,三个数据集的部分数据截图如下:

    glass数据集
    abalone数据集
    Adult数据集
      上面的三个数据集建议读者按照前面两小节的方法对照每个数据集详情页面上的介绍再研究一下,对于这三个数据集的介绍这里就不一一展开了,下面一节将以这三个数据集的整理为例讲述如何通过程序整理这三种数据集文件。


    2. 不同数据集的整理

      这一节就上节提到的UCI数据集中常见三种文件数据类型如何通过程序整理进行详细介绍。首先之所以需要整理数据集,是因为我们下载的UCI数据集文件常常可能含有英文字符串、缺失数据、存在无效数据等问题或者下载下来的数据集文件格式不一致导致我们无法通过统一的程序使用它。那么什么样的数据格式是我们想要的呢?

      还是以Adult数据集为例,其中的英文字符需要换成对应的数字表示,缺失的数据需要补充,另外数据集的分类标记:> 50K, <= 50K分别用数字> 0, 1代替并由最后一列移至首位(标记一般在数据首位,也可以放在末尾)。Adult数据集的原始数据文件与整理完成后的数据文件对比如下图所示:

    adult原始数据

    图2.1 Adult数据集原始数据

    Adult整理后的数据

    图2.2 Adult数据集整理后的数据

      很明显整理后的数据干净整洁、易于读取,而且在部分属性特征上更加适合机器学习算法处理,其中每行数据的第一个数字为分类标记。类似图2.2正是我们需要的数据格式,为了统一使用方便,博文中的数据集都整理为这种形式。接下来从易到难分别介绍“纯数字、无缺失”,“部分英文字符、无缺失”,“部分or全部英文字符、有缺失”三种情况下的数据如何通过程序整理,以下部分全部采用Matlab\color{#4285f4}{M}\color{#ea4335}{a}\color{#fbbc05}{t}\color{#4285f4}{l}\color{#34a853}{a}\color{#ea4335}{b}编程实现。

    2.1 “纯数字、无缺失”数据集

      以Glass数据集为例,首先在Glass数据集下载页下载Glass原始数据集,其数据文件部分数据如下图所示。其特点为纯数字,无缺失和特殊数据因此无需特殊处理技巧。由Glass数据集详情页上的介绍,该数据集为一个分类数为6,属性数为9的数据集。

    glass数据集
      在下载的数据文件存放路径处新建Matlab\color{#4285f4}{M}\color{#ea4335}{a}\color{#fbbc05}{t}\color{#4285f4}{l}\color{#34a853}{a}\color{#ea4335}{b}程序,创建一个命名为main.m的文件,并在编辑器键入如下代码:

    % glass
    % author: wuxian, website: https://wuxian.blog.csdn.net
    clear;
    clc;
    
    data_name = 'glass';
    fprintf('开始处理数据集: %s ...\n', data_name);
    
    n_entradas= 9; % 属性数
    n_clases= 6; % 类别数
    n_patrons(1)= 214; % 数据量(行数)
    n_fich= 1;
    fich{1}= 'glass.data'; % 文件路径名
    
    n_max= max(n_patrons);
    x = zeros(n_fich, n_max, n_entradas); % 用于存放提取出的属性数据
    cl= zeros(n_fich, n_max);             % 用于存放数据标签
    
    n_patrons_total = sum(n_patrons); % 用于显示进度
    n_iter=0;
    
    for i_fich=1:n_fich
        f=fopen(fich{i_fich}, 'r'); % 打开文件
        if -1==f
            error('打开数据文件出错 %s\n', fich{i_fich});
        end
        
        for i=1:n_patrons(i_fich) % 循环对每行数据进行处理
            n_iter=n_iter+1;
            fprintf('%5.1f%%\r', 100*n_iter/n_patrons_total); % 显示处理进度
            
            fscanf(f,'%i',1); % 第一个数字为序号,无需记录
            for j = 1:n_entradas
                temp=fscanf(f, ',%f',1); % 读取下一个数据,以逗号分隔
                x(i_fich,i,j) = temp;    % 保存一个数值到x
            end
            t=fscanf(f,',%i',1);
            if t >= 5  % 原数据标记中没有5,所以后面标号需要-1
                t = t - 1;
            end
            
            cl(i_fich,i) = t - 1;  	% 原标记从1开始,改为从0开始
        end
        fclose(f);% 关闭文件
    end
    
    
    %% 处理完成,保存文件
    fprintf('现在保存数据文件...\n')
    data = squeeze(x); % 数据
    label = cl';% 标签
    dataSet = [label,data];
    dir_path=['./预处理完成/',data_name];
    if exist('./预处理完成/','dir')==0   %该文件夹不存在,则直接创建
        mkdir('./预处理完成/');
    end
    saveData(dataSet,dir_path); % 保存文件至文件夹
    fprintf('预处理完成\n')
    
    
    %% 子函数,用于保存txt/data/mat三种类型文件
    function saveData(DataSet,fileName)
    % author:wuxian
    % DataSet:整理好的数据集
    % fileName:数据集的名字
    
    %% Data为整理好的数据集矩阵
    mat_name = [fileName,'.mat'];
    save(mat_name, 'DataSet')  % 保存.mat文件
    data_name = [fileName,'.data'];
    save(data_name,'DataSet','-ASCII'); % 保存data文件
    
    % 保存txt文件
    txt_name = [fileName,'.txt'];
    f=fopen(txt_name,'w');
    [m,n]=size(DataSet);
    for i=1:m
        for j=1:n
            if j==n
                if i~=m
                    fprintf(f,'%g \n',DataSet(i,j));
                else
                    fprintf(f,'%g',DataSet(i,j));
                end
            else
                fprintf(f,'%g,',DataSet(i,j));
            end
        end
    end
    fclose(f);
    
    % save iris.txt -ascii Iris
    % dlmwrite('iris.txt',Iris);
    end
    

      以上程序代码的思路是提取每行中每个数据的属性和标签分别保存到与x, cl两个矩阵中,然后通过调用子函数saveData( )保存数据为txt, data, mat格式文件。数据提取的过程是通过遍历每行数据,利用fscanf( )函数逐个读取每个逗号分隔的数据,最后在第52行将得到的属性和标签合并成一个矩阵并将标签放在第一列。运行程序后整理好的文件将保存在“预处理完成”的文件夹中,保存的文件及整理后的数据如下:

    保存文件与整理好的数据
    以上整理好的数据集第一列为标签(取值有0, 1, 2, 3, 4, 5),其余列为属性并与原数据集一致。

    2.2 “部分英文字符、无缺失”数据集

      相比前一小节中纯数字的原始数据集,最为常见的数据恐怕还是部分带一些英文字符的了。有些数据集的某些特征取值为有限个数的离散值,例如Abalone数据集,从Abalone数据集下载页下载该数据集,打开部分数据如下图所示:

    abalone数据集

      从上图数据中可以看出只有第一列的属性为英文字符,其它属性都是数字,根据Abalone数据集详情页上的介绍,该数据集的第一列属性是鲍鱼的性别,有雄性(M)、雌性(F)及幼期(I)三个取值,所以这里需将第一个属性中的英文字符“M, F, I”分别用数字“-1, 0, 1”代替。

      另外该数据集要预测的物理量是鲍鱼的年龄,原始数据集年龄那一列数据(最后一列)实际为连续取值,在该数据集的“属性信息”中有介绍到该数据集既可以作为连续值预测也可以用于分类任务。所以这里在处理Abalone数据集的标签时需要将连续数值离散化,我们可以根据鲍鱼年龄age的取值分为:“age<9,9<age<11,age>11age<9, 9<age<11, age>11”三类,分别用数字“-1, 0, 1”表示。这是针对这一单个数据集而言的,如果数据集标签本身就是可以直接用于分类的,就无需进行离散化了。

      按照上面的分析,处理这种数据集时我们只需替换第一列英文字符并将最后一列的标签离散化。在下载的数据文件存放路径处新建Matlab\color{#4285f4}{M}\color{#ea4335}{a}\color{#fbbc05}{t}\color{#4285f4}{l}\color{#34a853}{a}\color{#ea4335}{b}程序,创建一个命名为main.m的文件,并在编辑器键入如下代码:

    %% abalone
    % author: wuxian, website: https://wuxian.blog.csdn.net
    clear;
    clc;
    data_name = 'abalone';
    fprintf(['处理数据集: ',data_name,'abalone 原始数据 ...\n']);
    fich= [data_name,'.data'];
    
    n_entradas= 8; % 属性数
    n_clases= 3;  % 分类数
    n_fich= 1; % 数据集个数
    n_patrons= 4177; % 数据量(行数)
    
    x = zeros(n_patrons, n_entradas); % 用于存放提取出的属性数据
    cl= zeros(1, n_patrons);% 用于存放数据标签
    
    f=fopen(fich, 'r');% 打开文件
    if -1==f
        error('打开文件出错 %s\n', fich);
    end
    for i=1:n_patrons % 循环对每行数据进行处理
        
        fprintf('%5.1f%%\r', 100*i/n_patrons(1));% 显示处理进度
        
        t = fscanf(f, '%c', 1); % 读取一个字符数据
        switch t % 将对应字符替换为数字
            case 'M'
                x(i,1)=-1;
            case 'F'
                x(i,1)=0;
            case 'I'
                x(i,1)=1;
        end
        
        for j=2:n_entradas
            fscanf(f,'%c',1); % 中间有分隔符,后移1个位置
            x(i,j) = fscanf(f,'%f', 1);% 依次读取这一行所有属性
        end
        
        fscanf(f,'%c',1); 
        t = fscanf(f,'%i', 1); % 读取最后的标记值
        % 根据范围将连续的标记值离散化为三类
        if t < 9
            cl(1,i)=0;
        elseif t < 11
            cl(1,i)=1;
        else
            cl(1,i)=2;
        end
        fscanf(f,'%c',1);
        
    end
    fclose(f);
    
    %% 处理完成,保存文件
    fprintf('现在保存数据文件...\n')
    data = x; % 数据
    label = cl';% 标签
    dataSet = [label,data];
    dir_path=['./预处理完成/',data_name];
    if exist('./预处理完成/','dir')==0   %该文件夹不存在,则直接创建
        mkdir('./预处理完成/');
    end
    saveData(dataSet,dir_path); % 保存文件至文件夹
    fprintf('预处理完成\n')
    
    
    %% 子函数,用于保存txt/data/mat三种类型文件
    function saveData(DataSet,fileName)
    % DataSet:整理好的数据集
    % fileName:数据集的名字
    
    %% Data为整理好的数据集矩阵
    mat_name = [fileName,'.mat'];
    save(mat_name, 'DataSet')  % 保存.mat文件
    data_name = [fileName,'.data'];
    save(data_name,'DataSet','-ASCII'); % 保存data文件
    
    % 保存txt文件
    txt_name = [fileName,'.txt'];
    f=fopen(txt_name,'w');
    [m,n]=size(DataSet);
    for i=1:m
        for j=1:n
            if j==n
                if i~=m
                    fprintf(f,'%g \n',DataSet(i,j));
                else
                    fprintf(f,'%g',DataSet(i,j));
                end
            else
                fprintf(f,'%g,',DataSet(i,j));
            end
        end
    end
    fclose(f);
    
    % save iris.txt -ascii Iris
    % dlmwrite('iris.txt',Iris);
    end
    

      和前面整理的思路类似,这里还是使用x, cl两个矩阵保存从原始文件中提取的属性和标签,其中读取每个数值点采用循环调用fscanf( )函数逐个移动文件指针的方式读取,将提取的数据属性保存在x矩阵中。代码第25-33行读取出第一个属性值并根据它的取值不同分别对x的第一个元素赋不同的数字。代码第41-49行读取最后一列数值,并根据其值的取值范围将其划分为三个标签值的其中一个。至于各数据点之间的逗号分割符,程序中使用fscanf( )函数移动指针到下一个数据位置而并未赋值到变量中,从而跳过了逗号分隔符,如代码第36,40,50行。运行以上代码,得到整理完成的数据文件及部分数据截图如下:

    整理后的abalone数据集
    以上整理好的数据集第一列为标签(取值有0, 1, 2),其余列为属性,第一个属性已处理为数字(取值有-1, 0, 1

    2.3 “部分英文字符、有缺失”数据集

      经过前面两个例子的介绍我们再来看一个更加复杂点的数据集类型即除了有英文字符还有缺失数据的部分。以Adult数据集为例,这个数据集前面已多有介绍,改数据集有划分好的训练集和测试集,所以从AdultData Folder下载adult.dataadult.test两个数据文件,部分数据如下图:

    adult数据集
      字符型离散值转化为数值型:我们可以将某个需要转化为数值型的字符型属性的全部可能取值存放在一个元胞数组中并记取值个数为nn,而转化后的数值范围一般取[1,1][-1, 1],所以我们在[1,1][-1, 1]的取值范围内平均取nn个实数{1,3nn1,...,2k1nn1,...,n3n1,1},k=1,2,3,...,n1,n\{-1, \frac{3-n}{n-1}, ..., \frac{2k-1-n}{n-1}, ...,\frac{n-3}{n-1}, 1\}, k=1,2,3, ...,n-1, n用来代替这些字符型属性。比方说Adult原始数据的第2个属性表示工作类型有’Private’, ‘Self-emp-not-inc’, ‘Self-emp-inc’, ‘Federal-gov’, ‘Local-gov’, ‘State-gov’, ‘Without-pay’, 'Never-worked’将被分别替换为数值1,57,37,17,17,37,57,1-1, -\frac{5}{7}, -\frac{3}{7}, -\frac{1}{7}, \frac{1}{7}, \frac{3}{7}, \frac{5}{7}, 1。在程序中比对字符串然后可按以上公式顺序赋值为相应的数值。

      缺失数据处理:对于缺失数据的处理其实现在并没有一个很好的解决方式,一般来说缺失的数据点较少时可以直接删去,较常见的是采用该属性的均值、中值或众数来填充缺失,当然也可以直接补充为某些特定值。直接删去数据会导致数据量减少,而均值填补主要用于连续资料的缺失,这里的数据集属性大多为离散量,使用均值并不是一个很好的方法。以上方法大家可以分别尝试一下,这里直接对缺失的数据补充特定值0处理。

      在下载的数据文件存放路径处新建Matlab\color{#4285f4}{M}\color{#ea4335}{a}\color{#fbbc05}{t}\color{#4285f4}{l}\color{#34a853}{a}\color{#ea4335}{b}程序,创建一个命名为main.m的文件,并在编辑器键入如下代码:

    %% adult
    % author:wx  website:https://wuxian.blog.csdn.net
    clear;
    clc;
    
    data_name = 'adult';% 数据集名
    fprintf('lendo problema adult...\n');
    
    n_entradas= 14; % 属性数
    n_clases= 2; % 分类数
    n_fich= 2; % 文件数,含有训练和测试集
    fich{1}= 'adult.data';% 训练数据路径
    n_patrons(1)= 32561; % 训练集数据量
    
    fich{2}= 'adult.test'; % 测试数据路径
    n_patrons(2)= 16281;   % 测试数据量
    
    n_max= max(n_patrons);
    x = zeros(n_fich, n_max, n_entradas); % 属性数据
    cl= zeros(n_fich, n_max);             % 标签
    
    discreta = [0, 1, 0, 1, 0, 1, 1, 1, 1, 1, 0, 0, 0, 1]; % 1表示该位置的属性需要将字符型离散值转化为数值型
    
    % 字符型离散值的所有取值
    workclass = {'Private', 'Self-emp-not-inc', 'Self-emp-inc', 'Federal-gov', 'Local-gov', 'State-gov', 'Without-pay', 'Never-worked'};
    education = {'Bachelors', 'Some-college', '11th', 'HS-grad', 'Prof-school', 'Assoc-acdm', 'Assoc-voc', '9th', '7th-8th', '12th', 'Masters', '1st-4th', '10th', 'Doctorate', '5th-6th', 'Preschool'};
    marital = {'Married-civ-spouse', 'Divorced', 'Never-married', 'Separated', 'Widowed', 'Married-spouse-absent', 'Married-AF-spouse'};
    occupation = {'Tech-support', 'Craft-repair', 'Other-service', 'Sales', 'Exec-managerial', 'Prof-specialty', 'Handlers-cleaners', 'Machine-op-inspct', 'Adm-clerical', 'Farming-fishing', 'Transport-moving', 'Priv-house-serv', 'Protective-serv', 'Armed-Forces'};
    relationship = {'Wife', 'Own-child', 'Husband', 'Not-in-family', 'Other-relative', 'Unmarried'};
    race = {'White', 'Asian-Pac-Islander', 'Amer-Indian-Eskimo', 'Other', 'Black'};
    sex = {'Male', 'Female'};
    country = {'United-States', 'Cambodia', 'England', 'Puerto-Rico', 'Canada', 'Germany', 'Outlying-US(Guam-USVI-etc)', 'India', 'Japan', 'Greece', 'South', 'China', 'Cuba', 'Iran', 'Honduras', 'Philippines', 'Italy', 'Poland', 'Jamaica', 'Vietnam', 'Mexico', 'Portugal', 'Ireland', 'France', 'Dominican-Republic', 'Laos', 'Ecuador', 'Taiwan', 'Haiti', 'Columbia', 'Hungary', 'Guatemala', 'Nicaragua', 'Scotland', 'Thailand', 'Yugoslavia', 'El-Salvador', 'Trinadad&Tobago', 'Peru', 'Hong', 'Holand-Netherlands'};
    
    % 字符型离散值的所有取值个数
    n_workclass=8; 
    n_education=16; 
    n_marital=7; 
    n_occupation=14; 
    n_relationship=6; 
    n_race=5; 
    n_sex=2; 
    n_country=41;
    
    for i_fich = 1:n_fich
        f=fopen(fich{i_fich}, 'r');
        if -1==f
            error('打开数据文件出错 %s\n', fich{i_fich});
        end
        
        for i=1:n_patrons(i_fich)
            fprintf('%5.1f%%\r', 100*i/n_patrons(i_fich)); % 显示进度
            
            for j = 1:n_entradas
                if discreta(j)==1
                    s = fscanf(f,'%s',1); 
                    s = s(1:end-1); % 去掉字符串末尾的逗号
                    if strcmp(s, '?')  % 对于缺失值补0
                        x(i_fich,i,j)=0;
                    else
                        % 确定具体的属性位置并赋相应变量
                        if j==2
                            n = n_workclass; p=workclass;
                        elseif j==4
                            n = n_education; p=education;
                        elseif j==6
                            n = n_marital; p=marital;
                        elseif j==7
                            n = n_occupation; p=occupation;
                        elseif j==8
                            n = n_relationship; p=relationship;
                        elseif j==9
                            n = n_race; p=race;
                        elseif j==10
                            n = n_sex; p=sex;
                        elseif j==14
                            n = n_country; p=country;
                        end
                        % 根据读取的字符值按排列顺序转化为-11之间的分数值
                        a = 2/(n-1); b= (1+n)/(1-n);
                        for k=1:n
                            if strcmp(s, p(k))
                                x(i_fich,i,j) = a*k + b; 
                                break
                            end
                        end
                    end
                else %0的位置(原数据就是数值型)直接读取原数据
                    temp = fscanf(f,'%g',1); 
                    x(i_fich,i,j) = temp; 
                    fscanf(f,'%c',1);
                end
    
            end
            
            s = fscanf(f,'%s',1);
            % 将标签转化为数值型(0,1if strcmp(s, '<=50K')||strcmp(s, '<=50K.')
                cl(i_fich,i)=0;
            elseif strcmp(s, '>50K')||strcmp(s, '>50K.')
                cl(i_fich,i)=1;
            else
                error('类别标签 %s 读取出错\n', s)
            end
    
        end
        fclose(f);
    end
    
    
    %% 处理完成,保存文件
    fprintf('现在保存数据文件...\n')
    dir_path=['./预处理完成/',data_name];
    if exist('./预处理完成/','dir')==0   %该文件夹不存在,则直接创建
        mkdir('./预处理完成/');
    end
    data_train =  squeeze(x(1,1:n_patrons(1),:)); % 数据
    label_train = squeeze(cl(1,1:n_patrons(1)))';% 标签
    dataSet_train = [label_train, data_train];
    saveData(dataSet_train,[dir_path,'_train']); % 保存文件至文件夹
    
    data_test =  squeeze(x(2,1:n_patrons(2),:)); % 数据
    label_test = squeeze(cl(2,1:n_patrons(2)))';% 标签
    dataSet_test = [label_test,data_test];
    saveData(dataSet_test,[dir_path,'_test']);
    
    fprintf('预处理完成\n')
    
    
    %% 子函数,用于保存txt/data/mat三种类型文件
    function saveData(DataSet,fileName)
    % DataSet:整理好的数据集
    % fileName:数据集的名字
    
    %% Data为整理好的数据集矩阵
    mat_name = [fileName,'.mat'];
    save(mat_name, 'DataSet')  % 保存.mat文件
    data_name = [fileName,'.data'];
    save(data_name,'DataSet','-ASCII'); % 保存data文件
    
    % 保存txt文件
    txt_name = [fileName,'.txt'];
    f=fopen(txt_name,'w');
    [m,n]=size(DataSet);
    for i=1:m
        for j=1:n
            if j==n
                if i~=m
                    fprintf(f,'%g \n',DataSet(i,j));
                else
                    fprintf(f,'%g',DataSet(i,j));
                end
            else
                fprintf(f,'%g,',DataSet(i,j));
            end
        end
    end
    fclose(f);
    
    % save iris.txt -ascii Iris
    % dlmwrite('iris.txt',Iris);
    end
    

      这里代码在前面一个的基础上做了改进,对于原文件属性是数值型的直接读取到x矩阵中,对于字符型的属性按照顺序对应为[-1, 1]上的离散数值。运行以上代码,得到整理完成的数据文件及部分数据截图如下:

    整理后的adult数据集
    以上整理好的数据集第一列为标签(取值有0, 1),其余列为属性,其中的字符型属性已处理为数值型。

      至此不同数据集的整理程序就介绍到这里了,UCI\color{#4285f4}{U}\color{#ea4335}{C}\color{#fbbc05}{I}\color{#4285f4}数据集数量众多,虽然没有统一的整理代码但经过这三个例子大家可以参考修改整理自己需要的数据集了。如果您有更好的整理方法欢迎在下方留言哦。


    3. 148个整理好的数据集与对应程序

      博主在三年的机器学习学习和研究中已累计整理了148个论文和研究中常用的UCI数据集,后面还会继续整理更多数据集并更新下载资源。查找、下载和整理数据集是件费时费力的事情,完整整理好足够论文或研究学习中需要的数据集可能会花费好多天甚至数周的时间,为了减少重复整理数据的繁冗工作,这里博主将自己整理好的148UCI数据集分享给大家,其中每个文件夹中都包含了以下内容:

    1. 从官网下载的完整原始数据文件
    2. 整理数据集、归一化及划分训练测试数据集的完整Matlab\color{#4285f4}{M}\color{#ea4335}{a}\color{#fbbc05}{t}\color{#4285f4}{l}\color{#34a853}{a}\color{#ea4335}{b}程序文件
    3. 整理完成后的数据集文件

    您可以直接使用里面整理好的数据集文件,也可以修改或重新运行整理的程序代码,整理好的148UCI数据集截图如下:

    整理好的全部文件目录
    文件中的所有程序代码均在Matlab\color{#4285f4}{M}\color{#ea4335}{a}\color{#fbbc05}{t}\color{#4285f4}{l}\color{#34a853}{a}\color{#ea4335}{b} R2016b中测试运行通过,整理的好数据集也是经过检查和自行使用过的,每个子文件夹里面的文件内容截图如下,下面提供了下载链接欢迎前去下载。

    文件夹详情图

    【资源获取】
      若您想获得博文中介绍的整理Glass数据集、Abalone数据集及Adult数据集涉及的完整程序文件(包含三个数据的原始文件、整理数据集程序代码文件及整理好的文件)扫描以下二维码并关注公众号“AI技术研究与分享”,后台回复“UC20200223”获取。
    公众号二维码

    148个整理好的UCI数据集下载】

      为大家提供优质的资源是博主一直坚持的动力,若您想获得上述介绍的148个整理好的UCI数据集(已包含本文中介绍的三个数据集),可以点击如下链接到博主的面包多网页上下载,面包多网站可以直接点击解锁,完成后可解锁页面下方的下载链接图标,点击即可下载。

    下载链接:博主在面包多网站上的完整资源下载页


    结束语

      由于博主能力有限,博文中提及的方法即使经过试验,也难免会有疏漏之处。希望您能热心指出其中的错误,以便下次修改时能以一个更完美更严谨的样子,呈现在大家面前。同时如果有更好的实现方法也请您不吝赐教。

    展开全文
  • 凯斯西储大学轴承数据处理+自制CNN数据集

    千次阅读 热门讨论 2019-05-29 11:25:34
    对于凯斯西储大学轴承数据的下载,现在网上随便一个帖子都可以下载到。 在下载数据的时候,发现里面分了正常数据、驱动端、风扇端等类别,然后在具体的某一类,比如驱动端里面又区分了不同类别的故障数据。具体可以...

    对于凯斯西储大学轴承数据的下载,现在网上随便一个帖子都可以下载到。
    在下载数据的时候,发现里面分了正常数据、驱动端、风扇端等类别,然后在具体的某一类,比如驱动端里面又区分了不同类别的故障数据。具体可以参见相关说明,或者参见其他帖子。
    然后下载其中某一个类别的某一个故障数据文件后,文件类型是.mat格式,可以使用MATLAB打开,打开后发现里面又区分了三种类型的数据,在这里插入图片描述
    如上图,这里不太清楚为什么在已经区分了正常、驱动端、风扇端数据类别的情况下,文件里面还要再分成这几类????难道又分了不同位置的故障数据?有点搞不清
    当然,如果需要进行处理这些数据,用来机器学习、CNN的话,并不是需要网站中的所有数据,自然可以只选择我们需要的,比如选择驱动端+0HP的故障数据
    处理数据步骤为:
    ①对于数据的处理,由于轴承信号数据是时间序列的数据,但是在训练使用的时候有些不方便,这里我是把同一类别的数据随机分组,将一维的序列分成二维,具体一组多少数据,看自己分类吧。下载的文件每一个都进行如此操作(可以使用程序在调用数据的时候处理)。
    ②然后将每个类别的数据文件对应建立标签文件。
    ③这样处理之后,每一类故障数据都对应着一个数据文件和一个标签文件,然后将所有类别的数据文件整合到一起组合成训练网络需要的数据集,再将数据集按比例分成训练集和测试集即可。
    以上为使用凯斯西储大学自制数据集的过程,如有错误,还请大佬指点,欢迎交流!!

    展开全文
  • Python数据处理

    千次阅读 2019-05-27 19:13:25
    作者通过循序渐进的练习,详细介绍如何有效地获取、清洗、分析与呈现数据,如何将数据处理过程自动化,如何安排文件编辑与清洗任务,如何处理更大的数据集,以及如何利用获取的数据来创作引人入胜的故事。...

    本书特色

    用传统的电子表格来处理数据不仅效率低下,而且无法处理某些格式的数据,对于混乱或庞大的数据集更是束手无策。本书将教你如何利用语法简单、容易上手的Python轻松处理数据。作者通过循序渐进的练习,详细介绍如何有效地获取、清洗、分析与呈现数据,如何将数据处理过程自动化,如何安排文件编辑与清洗任务,如何处理更大的数据集,以及如何利用获取的数据来创作引人入胜的故事。学完本书,你的数据处理和分析能力将更上一层楼。

    • 快速了解Python基本语法、数据类型和语言概念
    • 概述数据的获取与存储方式
    • 清洗数据并格式化,以消除数据集中的重复值与错误
    • 学习何时对数据进行标准化,何时对数据清理进行测试并将其脚本化
    • 使用Scrapy写网络爬虫
    • 利用新的Python库和技术对数据集进行探索与分析
    • 使用Python解决方案将整个数据处理过程自动化

    “如果你一直感觉电子表格(甚至关系型数据库)无法回答你想要提出的问题,或者除这些工具之外你准备进一步学习,那么这本书非常适合你。我一直在等待这本书的出现。”

    ——Derek Willis,ProPublica新闻应用开发者,OpenElections联合创始人

    “所有新手数据科学家、数据工程师或其他技术方面的数据专家都应该读一读这本实践指南。数据处理领域正需要这样一本书,真希望我第一次开始用Python处理数据时就能有它指导。”

    ——Tyrone Grandison博士,Proficiency Labs Intl. CEO

    目录

    版权声明
    O’Reilly Media, Inc.介绍
    本书赞誉
    前言
    第 1 章 Python 简介
    第 2 章 Python 基础
    第 3 章 供机器读取的数据
    第 4 章 处理 Excel 文件
    第 5 章 处理 PDF 文件,以及用 Python 解决问题
    第 6 章 数据获取与存储
    第 7 章 数据清洗:研究、匹配与格式化
    第 8 章 数据清洗:标准化和脚本化
    第 9 章 数据探索和分析
    第 10 章 展示数据
    第 11 章 网页抓取:获取并存储网络数据
    第 12 章 高级网页抓取:屏幕抓取器与爬虫
    第 13 章 应用编程接口
    第 14 章 自动化和规模化
    第 15 章 结论
    附录 A 编程语言对比
    附录 B 初学者的 Python 学习资源
    附录 C 学习命令行
    附录 D 高级 Python 设置
    附录 E Python 陷阱
    附录 F IPython 指南
    附录 G 使用亚马逊网络服务
    关于作者
    关于封面

    下载

    https://pan.baidu.com/s/1B2H_CxsXfnjRouxU6bCTRw

    展开全文
  • 普林斯顿Stata教程 - Stata数据处理

    千次阅读 2018-06-04 11:46:41
    译者:谢作翰 | 连玉君 | (知乎 | 简书 | 码云)   原文链接:Princeton Stata 在线课程 (Princeton University - Stata Tutorial ) ...普林斯顿Stata教程 - Stata数据管理 普林斯顿Stata教程 ...

    译者:谢作翰 | 连玉君 | (知乎 | 简书 | 码云)

    原文链接:Princeton Stata 在线课程 (Princeton University - Stata Tutorial )

    连享会计量方法专题……

    专题链接

    目录

    1.1 数据读取

    • 1.1.1 自由格式数据
    • 1.1.2 固定格式数据

    1.2 数据文档

    • 1.2.1 数据标签与注释
    • 1.2.2 变量标签和注释
    • 1.2.3 值标签
    • 1.2.4 多语言标签

    1.3 创建新变量

    • 1.3.1 生成和替换
    • 1.3.2 运算符,表达式及函数
      1.4 变量重编码

    1.1 数据读取

    在本节中,我们将讨论如何读取原始数据文件。如果您的数据来自其他统计软件包(如SAS或SPSS),请考虑使用诸如Stat/Transfer
    www.stattransfer.com)或DBMSCopy(www.dataflux.com)之类的工具。Stata可以使用fdause命令来读取SAS文件help fdause。Stata还可以导入和导出Excel电子表格,输入help import excel以了解更多信息,并且可以从关系数据库读取数据,输入help odbc简介。

    1.1.1 自由格式数据

    如果数据是自由格式——变量由空格,逗号或制表符分隔,则可以使用infile命令。有关自由格式文件的示例,请参阅http://data.princeton.edu/wws509/datasets上提供的计划生育工作数据(请阅读说明并单击effort.raw)。这实质上是一个包含四列的文本文件,其中一列带有国家名称,另一列带有数字变量,由空格分隔。我们可以使用该命令将数据读入Stata

    infile str14 country setting effort change using http://data.princeton.edu/wws509/datasets/effort.raw
    

    infile命令后面跟着变量的名称。由于国家名称是一个字符串而不是数字变量,因此我们在名称前加上str14,它将变量的类型设置为最多14个字符的字符串。所有其他变量都是数字。

    using后面跟着文件的名称,该文件可以是计算机,本地网络或互联网上的文件。在这个例子中,我们直接从互联网上读取文件。更多信息help infile1
    还可以选择webuse命令读取该数据库:

    webuse set http://data.princeton.edu/wws509/datasets
    webuse effort
    

    首先将默认网址设置为普林斯顿数据库,然后直接用webuse命令读取相关文件。webuse 在stata小白系列中有更多介绍。
    可用list查看所读入数据:

     list in 1/3
    
         ┌─────────────────────────────────────┐
         │ country   setting   effort   change │
         ├─────────────────────────────────────┤
      1. │ Bolivia        46        0        1 │
      2. │  Brazil        74        0       10 │
      3. │   Chile        89       16       29 │
         └─────────────────────────────────────┘
    

    1.1.2 固定格式数据

    调查数据通常采用固定格式,每个案例有一个或多个记录,每个记录中的每个变量都处于固定位置。

    读取固定格式数据的最简单方法是使用该infix命令指定每个变量所在的列。正如它发生的那样,努力数据整齐排列在列中,所以我们可以阅读它们如下:

    infix str country 4-17 setting 23-24 effort 31-32 change 40-41 using 
         http://data.princeton.edu/wws509/datasets/effort.raw, clear
    

    这表示country要从第4-17列读取名称, setting从第23-24 列读取名称。str指定该country是一个字符串变量,但不必指定宽度,因为宽度从列数限定中可以看出。

    如果有大量的变量,应该考虑在一个单独的文件上输入名字和位置,这个文件又被称为字典,然后可以用infix命令中调用字典。下面尝试将以下字典内容输入到名为effort.dct的文件中:

    infix dictionary using http://data.princeton.edu/wws509/datasets/effort.raw {
      str country  4-17
          setting 23-24
          effort  31-32
          change  40-41
    }
    

    字典只接受*注释,但必须出现在第一行之后。保存此文件后,可以使用以下命令读取数据:

    infix using effort.dct, clear
    

    请注意,您现在“使用”字典,它反过来“使用”数据文件。您可以使用表单指定它作为infix命令的选项,而不是在字典中指定数据文件的名称。infix using dictionaryfile, using(datafile).第一个’using’指定字典,第二个’using’是指定数据文件的选项。如果要使用一个字典来读取以相同格式存储的多个数据文件,这一点尤其有用。更多信息,请参阅help infix。如果您的观测值跨越多个记录或线条,infix只要所有观测记录的记录数量相同(不一定全部相同),仍然可以使用它们来读取它们。欲了解更多信息,请参阅help infix。

    infile命令也可以用于固定格式的数据和字典。这是一个非常强大的命令,它提供了许多不适用的选项infix; 例如它可以让你在字典中定义变量标签,但是语法有点复杂。看help infile2

    1.2 数据文档

    在将数据读入Stata之后,准备一些文档很重要。在本节中,我们将看到如何创建数据集,变量和值标签,以及如何为数据或变量创建注释。

    1.2.1 数据标签与注释

    Stata允许您使用label data命令标记您的数据集,然后标记最多80个字符(Stata SE中为244)。您还可以使用notes命令,然后使用冒号和文本添加最多约64K字符的注释:

    label data "Family Planning Effort Data"
    . notes:  Source P.W. Mauldin and B. Berelson (1978). 
       Conditions of fertility decline in developing countries, 1965-75. 
       Studies in Family Planning, 9:89-147
    

    数据用户可以键入notes以查看您的注释。仔细记录您的数据总是会带来回报。

    1.2.2 变量标签和注释

    您可以(也应该)使用label variable 命令来标记变量。命令后跟变量名称和标签(引号包围,最多80k字符)。使用infile命令,您可以将这些标签添加到字典中。否则,你应该准备一个带有所有标签的do文件。以下是如何为我们的数据集中的三个变量定义标签:

    label variable setting "Social Setting"
    label variable effort  "Family Planning Effort"
    label variable change  "Fertility Change"
    

    Stata还允许您使用该命令将注释添加到特定变量notes varname: text。请注意,该命令后面跟着一个变量名,然后是一个冒号:

    . notes change: Percent decline in the crude birth rate (CBR) 
      the number of births per thousand population between 1965 and 1975.
    

    键入describe,然后notes检查我们到目前为止的工作。

    1.2.3 值标签

    您还可以标记分类变量的值。我们的数据集没有任何分类变量,但我们创建一个。我们将复制effort变量,然后将其分为三类,0-4,5-14和15+,它们分别代表弱,中等和强壮三个程度(前两行中使用的generaterecode在下一节介绍,我们还展示了如何用一个命令完成所有这些步骤):

     generate effortg = effort 
     recode effortg 0/4=1 5/14=2 15/max=3
     (effortg: 20 changes made)
     label define effortg 1 "Weak" 2 "Moderate" 3 "Strong", replace
     label values effortg effortg
     label variable effortg "Family Planning Effort (Grouped)"
    

    Stata采用两步法来定义标签。首先定义一个标签集,使用label define命令将整数代码与标签(最多80k)相关联。然后,使用label values命令将该组标签与变量相关联。通常,标签集和变量使用相同的名称,就像我们在示例中所做的那样。

    这种方法的一个优点是可以为多个变量使用同一组标签。规范的例子是label define yesno 1 “yes” 0 “no”,它可以与数据集中的所有0-1变量相关联,使用每个变量的形式命令label values variablename yesno。定义标签时,如果标签是单个单词,则可以省略引号,但为了清晰起见,我更愿意使用它们。

    可以使用add或者modify选项修改标签集,使用label dir(仅列出名称)或label list(列出名称和标签)列出标签集,并使用label save将它们保存到一个do文件。输入help label以了解更多信息。您也可以使用不同语言的标签,如下所述。

    1.2.4 多语言标签

    一个Stata文件可以用多种语言存储标签,并且您可以从一组到另一组自由移动。我将通过为我们的数据集创建西班牙语标签来说明。遵循Stata建议,我们将使用ISO标准的双字母语言代码,en代表英文,es代表西班牙语。

    首先我们使用label language用来重命名当前语言为en,并创建一个新的语言集es

     label language en, rename
    (language default renamed en)
     label language es, new
    (language es now current language)
    

    西班牙语标签定义不会覆盖相应的英文标签,而是并行存在。值标签命名时需小心些,不能直接将标签集取名effortg.因为effortg仅表示变量和标签之间的关联。你需要定义一个新的标签集; 我们在此取名ffortg_es,结合旧名称和新语言代码,然后将其与变量effortg相关联:

    label define effortg_es 1 "Débil" 2 "Moderado" 3 "Fuerte"
    label values effortg effortg_es
    

    您可能想要尝试命令describe现在。可以尝试用表格输出:

    table effortg
    

    接下来,我们将语言改回英文并再次运行表格:

    label language en
    table effortg
    

    更多信息,请键入 help label_language.

    1.3 创建新变量

    Stata创建新变量最重要的命令是generate/replacerecode,他们经常一起使用。

    1.3.1 生成和替换

    generate命令使用可以结合常量,变量,函数,算术和逻辑运算符的表达式创建新变量.

    gen settingsq = setting^2.
    

    如果你打算在回归中使用这个项,而且知道线性和二次项是高度相关的。那么在平方之前将变量中心化可能是个好主意。这里我们运行summarize,并使用quietly来抑制输出,从存储结果中检索均值r(mean):

    quietly summarize setting
    gen settingcsq = (setting - r(mean))^2
    

    请注意,我为此变量使用了不同的名称。Stata不会让你用generate来覆盖现有的变量。如果你真的想替换旧变量的值使用replace。您也可以使用drop var_names从数据集中删除一个或多个变量。

    1.3.2 运算符,表达式及函数

    下表显示了您可以在表达式中使用的标准算术,逻辑和关系运算符:

    运算符及表达式

    Stata有大量的函数,这里有一些常用的数学函数,输入help mathfun可以查看完整列表:

    函数

    当参数是数据集中的变量时,这些函数会自动应用于所有观察值。

    Stata还具有生成随机数的功能(在模拟中很有用),即uniform()。它还有一套广泛的函数来计算概率分布(p值所需的)和它们的反函数(临界值所需的),请参阅help density functions以获取更多信息。
    还有一些专门的函数用于处理字符串,请参阅help string functions,处理日期函数,请参阅help date functions

    1.4 变量重编码

    recode命令作用是将数字变量转化为类别变量。例如,假设一项生育率调查中对年龄在15岁至49岁的女性进行单身年龄分析.您想以5年为一个区间对样本分组。可以使用命令:

    gen age5 = int((age-15)/5)+1 if !missing(age)
    

    但这只适用于间隔规则的情况。也可以其实用如下方法:

    recode age (15/19=1) (20/24=2) (25/29=3) (30/34=4)
               (35/39=5) (40/44=6) (45/49=7), gen(age5)
    

    括号中的每个表达式都是一个重新编码规则,由值的列表或范围组成,后跟等号和新值。使用斜线指定的范围包括两个边界,因此15/19是15到19,其也可以被指定为15 16 17 18 19或甚至15 16 17/19。您可以使用min参考最小值并max参考最大值,如在min/19和中44/max。当规则的形式为range = value时,括号可以省略,但它们通常有助于使命令更具可读性。

    值被分配到它们落在的第一个类别。从未分配给某个类别的值将保持原样。您可以使用else(或*)作为最后一个子句来引用尚未分配的任何值。或者,您可以使用missingnonmissing引用未分配的缺失值和非缺失值; 这些必须是最后两个语句,不能与其他语句相结合。

    在我们的例子中,我们还使用了gen()选项生成一个新的变量age5,在这种情况下,新变量默认替换现有变量的值。我强烈建议您在重新编码之前制作原始变量副本。
    您也可以在重编码时指定值标签。选项label(label_name)允许您为创建的标签分配一个名称(默认与变量名称相同)。下面是一个示例,显示如何在一步进行重编码和做值标签。(上文中需使用四个命令)。

    recode effort (0/4=1 Weak) (5/14=2 Moderate) (15/max=3 Strong)
         , generate(efffortg) label(effortg)
    

    对原始和重新编码的变量进行交叉制表以检查转换是否按预期工作通常是一个好主意。

    关于我们

    • 「Stata 连享会」 由中山大学连玉君老师团队创办,定期分享实证分析经验, 公众号:StataChina
    • 公众号推文同步发布于 CSDN简书知乎Stata专栏。可在百度中搜索关键词 「Stata连享会」查看往期推文。
    • 点击推文底部【阅读原文】可以查看推文中的链接并下载相关资料。
    • 欢迎赐稿: 欢迎赐稿。录用稿件达 三篇 以上,即可 免费 获得一期 Stata 现场培训资格。
    • E-mail: StataChina@163.com
    • 往期推文:计量专题 || 精品课程 || 简书推文 || 公众号合集

    点击此处-查看完整推文列表

    连享会计量方法专题……


    欢迎加入Stata连享会(公众号: StataChina)

    原文

    原文链接:Princeton Stata 在线课程 (Princeton University - Stata Tutorial )

    展开全文
  • Spark快速大数据处理

    万人学习 2019-04-24 19:32:53
    5.Spark2实时大数据处理 6.Oozie5-大数据流程引擎 课程特点: 1.最新API: Hadoop3/Spark2/Hive3/Oozie5 2.手工搭建集群环境:编译+搭建 3.配套资源:分阶段镜像+课件+安装资源,其中安装...
  • 教你如何迅速秒杀掉:99%的海量数据处理面试题

    万次阅读 多人点赞 2012-03-22 12:51:07
    教你如何迅速秒杀掉:99%的海量数据处理面试题作者:July出处:结构之法算法之道blog前言 一般而言,标题含有“秒杀”,“99%”,“史上最全/最强”等词汇的往往都脱不了哗众取宠之嫌,但进一步来讲,如果读者读罢...
  • 这一系列博文将介绍一下机器学习中的数据预处理问题,以UCI数据集为例详细介绍缺失值处理、连续特征离散化,特征归一化及离散特征的编码等问题,同时会附上处理的Matlab程序代码,这篇博文先介绍缺失值的处理,要点...
  • Python使用Pandas对csv文件进行数据处理

    万次阅读 多人点赞 2018-04-13 18:43:22
    今天接到一个新的任务,要对一个140多M的csv文件进行数据处理,总共有170多万行,尝试了导入本地的MySQL数据库进行查询,结果用Navicat导入直接卡死....估计是XAMPP套装里面全默认配置的MySQL性能不给力,又尝试用R搞一下...
  • Tableau Prep 数据处理工具使用入门

    万次阅读 2018-04-28 14:08:26
    1. 什么是Tableau Prep 2018.04, Tableau 推出全新的数据...简而言之,Prep是一款简单易用的数据处理工具(部分ETL工作)。之所以使用Tableau Prep, 是因为我们在使用BI工具进行数据可视化展示时,常常数据不具有...
  • 视音频数据处理入门:RGB、YUV像素数据处理

    万次阅读 多人点赞 2016-01-29 17:01:12
    有段时间没有写博客了,这两天写起博客来竟然感觉有些兴奋,仿佛找回了原来的感觉。前一阵子在梳理以前文章的时候,发现自己虽然总结了各种视音频应用程序,却还缺少一个适合无视音频背景人员学习的“最基础”的程序...
  • 点云数据处理方法

    万次阅读 多人点赞 2018-09-07 10:25:02
    这篇博客主要介绍三维计算机视觉中点云数据处理面对的问题,主要方法和技术,概述其特点。这篇博客主要介绍最基本的点云数据处理技术和概念,不会有任何代码。 ICP点云配准就是我们非常熟悉的点云处理算法之一。...
  • 这一系列博文将介绍一下机器学习中的数据预处理问题,以UCI数据集为例详细介绍缺失值处理、连续特征离散化,特征归一化及离散特征的编码等问题,同时会附上处理的MATLAB程序代码,这篇博文介绍特征归一化,要点如下...
  • python .txt文件读取及数据处理总结

    万次阅读 多人点赞 2017-11-30 18:27:32
    1、处理包含数据的文件最近利用Python读取txt文件时遇到了一个小问题,就是在计算两个np.narray()类型的数组时,出现了以下错误: TypeError: ufunc 'subtract' did not contain a loop with signature matching ...
  • 海量数据处理技巧

    万次阅读 2018-08-02 20:07:18
    数据时代来临,数据量的爆炸式增长是最为显著的特征。当高性能硬件的普及还跟不上这样的数据大潮时,如何在有限的时空资源...需要明确的一点是,现实情况复杂多变,所以对于海量数据处理这样大的主题,是不可能用一...
  • 【学习笔记】python实现excel数据处理

    万次阅读 多人点赞 2019-02-27 20:03:44
    Excel固然功能强大,也有许多函数实现数据处理功能,但是Excel仍需大量人工操作,虽然能嵌入VB脚本宏,但也容易染上宏病毒。python作为解释性语言,在数据处理方面拥有强大的函数库以及第三方库,excel作为主要基础...
  • 数据处理流程

    万次阅读 2019-02-21 16:53:13
    数据处理流程 1. 数据处理流程 网站流量日志数据分析是一个纯粹的数据分析项目,其整体流程基本上就是依据数据的处理流程进行。有以下几个大的步骤: 1.1 数据采集 &nbsp;&nbsp;&nbsp;&nbsp;&...
  • excel数据处理

    千次阅读 2019-01-12 21:08:25
    excel大部分常用操作
  • 1. 大数据处理之一:采集 大数据的采集是指利用多个数据库来接收发自客户端(Web、App或者传感器形式等)的 数据,并且用户可以通过这些数据库来进行简单的查询和处理工作。比如,电商会使用传统的关系型数据库MySQL...
  • MySQL千万级数据处理

    万次阅读 2018-08-14 17:51:35
    除非单表数据未来会一直不断上涨,否则不要一开始就考虑拆分,拆分会带来逻辑、部署、运维的各种复杂度,一般以整型值为主的表在千万级以下,字符串为主的表在五百万以下是没有太大问题的。而事实上很多时候MySQL单...
  • 数据分析与数据处理 数据及含义 这里先上截图,具体的数据及数据含义点击下边链接,自行获取! https://download.csdn.net/download/weixin_44423698/11737958 方法 探索数据、清洗数据、清洗过后的选择需要的数据...
  • Matlab数据处理(一):归一化处理

    千次阅读 2019-03-09 20:06:46
    最近在做毕业设计,涉及了不少关于实验数据处理的方法。这里介绍一下数据归一化处理。 其中:ax是实验采集的加速度值,是关于时间变化的离散数值;读取数据之后利用巴特沃斯滤波器滤去高频信号,最后进行可视化和...
  • Python进行Excel数据处理

    千次阅读 2020-04-03 15:55:36
    Python进行Excel数据处理思路实现1. 使用openpyxl2. 使用xlrd和xlwt总结 前两天GF让用Python写个Excel表格处理脚本,在这里记录一下。某公司有个数据统计汇总表格,仅为初表,复制粘贴汇总而来。初表中,存在同一...
  • CRU气象数据处理

    千次阅读 2019-04-27 17:02:45
    1.CRU气象数据 http://data.ceda.ac.uk/badc/cru/data/cru_ts/cru_ts_4.02/data/ 2.matlab提取代码 clear;clc;close all infile='Z:\cru_ts4.02.1901.2017.tmp.dat.nc'; outpath = 'Z:\1_720_month_TEMave\'; ...
  • 数据处理时如何解决噪声数据?

    千次阅读 2019-04-30 10:08:05
    一、什么是噪声 在机器学习中我们在独立随机抽样的时候会...2.在同样的评判下会有不同的后续处理。 输入错误: 1.在收集数据的时由于数据源的随机性会出现错误(比如说,客户在填信息的时候出现的误填) 实际应...
  • Python数据处理实例

    千次阅读 多人点赞 2019-01-02 19:05:28
    使用python进行数据处理的实例(数据为某公司HR部门关于员工信息的部分摘录,kaggle上面的一次赛题) https://www.kaggle.com/c/kfru-dbm-hr-analytics 该实例是根据其他所给属性预测员工是否会离职,代码实现如下...
  • 视音频数据处理入门:PCM音频采样数据处理

    万次阅读 多人点赞 2016-01-29 23:32:13
    本文分别介绍如下几个PCM音频采样数据处理函数:  分离PCM16LE双声道音频采样数据的左声道和右声道  将PCM16LE双声道音频采样数据中左声道的音量降一半  将PCM16LE双声道音频采样数据的声音速度提高一倍  将PCM1
  • 点云数据处理

    千次阅读 2018-05-26 20:11:35
    点云数据处理方法概论 ========================= http://www.p-chao.com/2017-06-11/%E7%82%B9%E4%BA%91%E6%95%B0%E6%8D%AE%E5%A4%84%E7%90%86%E6%96%B9%E6%B3%95%E6%A6%82%E8%BF%B0/ 三维点云数据处理技术 ...
  • 数据处理流程总结

    千次阅读 2019-01-05 11:20:26
    数据分析 1.什么是数据分析? 2.数据分析的分类 3.数据分析的三大作用 现状分析、原因分析、预测分析。 4.数据分析的流程 1.问题的定义:明确目的和思路(具有数据思维) 问正确的问题往往是成功的一半...

空空如也

1 2 3 4 5 ... 20
收藏数 562,658
精华内容 225,063
关键字:

数据处理