3.1.1　克利夫蘭心臟病數據集的二元目標

克利夫蘭心臟病（Cleveland，1988）數據集包含303名受試者的患者數據。數據集中的某些列包含有缺失值，我們也會處理這樣的問題。數據集包含13列，包括膽固醇和年齡。

任務目標是檢測某個患者對象是否有心臟病，因此這是二元目標。我們要解決的數據處理問題是，對數據使用0到4的值進行編碼，其中0表示沒有心臟病，1到4的范圍表示某種類型的心臟病。

我們將使用數據集中標識為Cleveland的部分，數據可以使用此鏈接下載：https://archive.ics.uci.edu/ml/machine-learning-databases/heartdisease/processed.cleveland.data。

數據集的具體屬性如下：

讓我們按照下面的步驟將數據集讀入pandas DataFrame并清理數據：

1）在谷歌Colab中，將首先使用如下wget命令下載數據：

這樣，就可以將processing.cleveland.data文件下載到Colab的默認目錄中，并且可以通過檢查Colab左側的Files選項卡進行驗證。請注意，前面的指令都是一行，不幸的是，這個指令非常長。

2）接下來，我們使用pandas加載數據集，以驗證數據集是否為可讀和可訪問的。

Pandas是一個非常受數據科學家和機器學習科學家歡迎的Python庫。它簡化了加載和保存數據集、替換缺失的值、檢索數據的基本統計屬性，甚至執行轉換。Pandas就像是一個救星，現在大多數其他機器學習庫都接受Pandas作為有效的輸入格式。

在Colab中執行如下命令加載和顯示部分數據：

read_csv()函數的作用是：加載一個以逗號分隔值（CSV）格式化的文件。我們使用參數header=None告訴pandas數據沒有任何實際的頭文件。如果省略，pandas將使用數據的第一行作為每個列的名稱，但在本例中我們不希望這樣做。

加載的數據存儲在一個名為df的變量中。雖然df可以是任何名稱，但我認為df很容易記住，因為pandas是將數據存儲在DataFrame對象中。因此，對于數據來說，df似乎是一個合適、簡短且容易記住的名稱。然而，如果使用多個DataFrame，那么用一個描述它們所包含數據的名稱來對所有DataFrame分別進行不同的命名會更加方便。

在DataFrame上操作的head()方法類似于unix命令，用于檢索文件的前幾行。在DataFrame中，head()方法返回前五行數據。如果希望檢索更多或更少的數據行，那么可以指定一個整數作為該方法的參數。例如，如果你想要檢索前三行，那么你可以執行df.head(3)。

運行上述代碼的結果如下所示：

下面是一些需要注意和記住的要點，以備將來參考：

·在左邊，有一個未命名的列，豎列是連續的數字，0,1,…,4。這些是pandas分配給數據集中每一行的索引，是唯一的數字。有些數據集有唯一的標識符，例如圖像的文件名。

·在頂部，有一橫行是0,1,…,13。這些是列的標識符，它們也是唯一的，并且可以設置。

·在每一行和每一列的交點，我們的值要么是浮點小數，要么是整數。除了列13之外，整個數據集包含十進制數，列13是目標輸出，該列包含的是整數。

3）因為我們將使用這個數據集處理二元分類問題，所以我們現在需要更改最后一列，使其只包含二元值：0和1。我們將保留0的原始含義，即沒有心臟病，任何大于或等于1的都將映射到1，表示對某種類型心臟病的診斷?？梢赃\行下列指令：

df[13]指令查看DataFrame并檢索索引為13的列的所有行。然后，在第13列的所有行上使用set()方法創建列中所有不同元素的集合。這樣，我們就可以知道有多少個不同的值，以便替換它們。輸出結果如下：

由此，我們知道0表示沒有心臟病，1表示有心臟病。然而，我們需要將2、3和4映射為1，因為它們也表示心臟病陽性。我們可以通過執行以下命令來實現這個改變：

這里，replace()函數在DataFrame上工作，替換特定的值。在我們的例子中，它有三個參數：

·to_replace=[2,3,4]表示要搜索的項列表，以便替換它們。

·value=1表示將替換每個匹配項的值。

·inplace=True向pandas表明想要對該列進行更改。

在某些情況下，pandas DataFrame的行為就像一個不可變的對象，此時就需要使用inplace=True參數。否則，就得這么做：

df[13]=df[13].replace(to_replace=[2,3,4],value=1)，這對有經驗的pandas用戶來說不成問題。這意味著你應該都熟悉這兩種方式。

pandas初學者面臨的主要問題是，它的行為并不總是像一個不可變對象。因此，應該將所有的pandas文檔放在身邊：https://pandas.pydata.org/pandas-docs/stable/index.html。

執行該命令的輸出結果如下：

首先，請注意，當我們打印前5行時，第13列的值現在只包含0或1?？梢詫⑺鼈兣c原始數據進行比較，以驗證加粗顯示的數字是否確實發生了變化。我們還使用set(df[13])驗證了該列的所有唯一值的集合現在只有{0,1}，這是期望的目標。

有了這些變化，我們可以使用數據集來訓練深度學習模型，可能會改進現有的記錄性能（Detrano,R.,et al.，1989）。

可以應用同樣的方法，使得在集合中的任何其他列具有二元值。作為練習，讓我們將著名的MNIST數據集用作另外一個示例。