一、问题

    机器学习或者深度学习在处理表格数据（Tabular data）、图像数据（Image data）、文本数据（Text data）、时间序列数据（Time series data）上得到了广泛的应用。

    其中，表格数据是机器学习应用最多的一种数据，在表格数据中，每一行代表一个样本，每一列代表一个特征/标签，每一个特征/标签通常是一个一维列表或者一个一维数组，多个特征/标签通常是多个一维数组。

    假如现在有5个样本，3个特征列，1个标签列，给出的数据如下：

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])

如何对上面的给的数据进行处理，喂给机器学习模型呢？

二、数组堆叠

将数组进行堆叠，转化为多个长度相同的一维数组转化为二维数组

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]])

引申问题1：data_y不做reshape操作可不可以？

答案是可以。标签只有一列，那么可以不转化为二维数组，可以直接划分数据集，喂给模型。

三、转化为dataframe数据框

将多个一维数组转化为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]])

引申问题1：data_x和data_y不转化为数组，data_x = df[['fea1', 'fea2', 'fea3']]，data_y = df[['label']]行不行？

答案是可以的，此时data_x和data_y的数据类型都是dataframe，而对于表格数据，是可以喂给机器学习dataframe数据类型的。

引申问题2：data_y = df['label'].values或者直接data_y = df['label']这样行不行？

答案是可以。标签只有一列，模型可以接收series或者一维数组。

四、验证

接下来，就可以将上诉方法得到的data_x, data_y进行数据划分，并进行模型训练和推理等后续处理啦

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、总结

• 对于表格数据，机器学习模型理想希望吃到的数据（数据集划分之前）应该是一个二维数组，对于有标签的数据而言，特征和标签各自应该是一个二维数组，二维数组的每个元素对应一个样本的（多个）特征或者（多个）标签。

• 对于表格数据，机器学习模型也接收dataframe数据类型，对于有标签的数据而言，特征和标签各自应该是一个dataframe数据类型。

• 对于表格数据，如果特征或者标签只有一列，机器学习模型也可以接收一维数组或series。

本人读研期间发表5篇SCI数据挖掘相关论文，现在某研究院从事数据算法相关科研工作，对Python有一定认知和理解，会结合自身科研实践经历不定期分享关于python、机器学习、深度学习等基础知识与应用案例。

致力于只做原创，以最简单的方式理解和学习，关注我一起交流成长。

1、关注文末公众号即可在后台联系我获取相关数据集和源码。

2、关注“数据杂坛”公众号，点击“领资料”即可免费领取资料书籍。

3、有论文指导相关需求，点击“联系我”添加作者微信直接交流。