主要依据爆红GITHUB的百日入门机器学习项目，跟进学习；原文展示的python代码部分进行学习，额外会尝试使用R解决，希望能少弃一些章节。
Github原链接https://github.com/Avik-Jain/100-Days-Of-ML-Code/blob/master/Code/Day%201_Data%20PreProcessing.md。
本次主要进行机器学习的入门，内容比较基础。
1 获得数据集（get the dataset）
数据集包括两部分，独立变量（independent variable）和依赖变量（dependent variable
。机器学习的目的就是需要通过独立变量来预测非独立变量（prediction）。
2 导入数据集（importing dataset）
先设置working directory, 将代码与数据保存在working directory文件夹下
# 设置working directory
getwd()
setwd("C:\\Users\\M*****\\Documents\\ML\\day1\\")
# Importing the dataset
dataset <- read.csv("Data.csv",header=T,stringsAsFactor=FALSE)
View(dataset)
Age和Salary是独立变量，通过这两个独立变量预测是否会Purchase（非独立变量）。
3 处理空数据（Handling the missing data）
在数据集中可能会出现为空的数据，我们不能删除有空数据的列，这会对我们机器学习的结果造成影响，NA有很多处理方法（后续分享），此处用mean来代替空值。
# Taking care of missing data
dataset$Age = ifelse(is.na(dataset$Age),mean(dataset$Age, na.rm = TRUE),dataset$Age)
dataset$Salary = ifelse(is.na(dataset$Salary),
ave(dataset$Salary, FUN = function(x) mean(x, na.rm = TRUE)),
dataset$Salary)
Country Age Salary Purchased
1 France 44.00000 72000.00 No
2 Spain 27.00000 48000.00 Yes
3 Germany 30.00000 54000.00 No
4 Spain 38.00000 61000.00 No
5 Germany 40.00000 63777.78 Yes
6 France 35.00000 58000.00 Yes
7 Spain 38.77778 52000.00 No
8 France 48.00000 79000.00 Yes
9 Germany 50.00000 83000.00 No
10 France 37.00000 67000.00 Yes
4 分类数据（Encoding categorical data）
对于数据集中的同类别的数据（如country列）为非numerical的数据，可以用数字1,2,3区分不同国家，但是会出现问题。国家之间地位相同，但数字有大小之分。
因此需要设置哑变量，不同的类别（如不同国家）单独分为一个列，属于这个国家的设置为1，不属于的设置为0。
注：在R语言中不需要特别将每一类别分为一列，因为每一列用vector来表示，可以接受不同的大小。
# Encoding categorical data
dataset$Country = factor(dataset$Country,
levels = c('France', 'Spain', 'Germany'),
labels = c(1, 2, 3))
dataset$Purchased = factor(dataset$Purchased,
levels = c('No', 'Yes'),
labels = c(0, 1))
5 将数据集分类
当数据集准备完成之后，将独立变量和依赖变量分为训练集和测试集。训练集与测试集的比例一般是用4:1。
# Splitting the dataset into the Training set and Test set
# install.packages('caTools')
library(caTools)
set.seed(123)
split = sample.split(dataset$Purchased, SplitRatio = 0.8)
training_set = subset(dataset, split == TRUE)
test_set = subset(dataset, split == FALSE)
test_set
Country Age Salary Purchased
6 1 35 58000 1
9 3 50 83000 0
6 特征量化 (feature scaling)
数据处理的重要步骤，在机器学习中，由于每个变量的范围不同，如果两个变量之间差距太大，会导致距离对结果产生影响。需要一定的标准化改变，最简单的方式是将数据缩放至[0.1]或者[-1,1]之间：
# Feature Scaling
training_set[, 2:3] = scale(training_set[, 2:3])
test_set[, 2:3] = scale(test_set[, 2:3])
test_set
Country Age Salary Purchased
6 1 -0.7071068 -0.7071068 1
9 3 0.7071068 0.7071068 0
Done 建立模板
经过以上几个简单的对数据进行预处理的步骤，既为初步的分析模板，
下面就开始真正的机器学习入门到放弃了。
R代码如下：
# Data Preprocessing template
# Importing the dataset
dataset <- read.csv("Data.csv",header=T,stringsAsFactor=FALSE)
# Taking care of missing data
dataset$Age = ifelse(is.na(dataset$Age),mean(dataset$Age, na.rm = TRUE),dataset$Age)
dataset$Salary = ifelse(is.na(dataset$Salary),
ave(dataset$Salary, FUN = function(x) mean(x, na.rm = TRUE)),
dataset$Salary)
# Encoding categorical data
dataset$Country = factor(dataset$Country,
levels = c('France', 'Spain', 'Germany'),
labels = c(1, 2, 3))
dataset$Purchased = factor(dataset$Purchased,
levels = c('Yes','No'),
labels = c(1, 0))
# Splitting the dataset into the Training set and Test set
library(caTools)
set.seed(123)
split = sample.split(dataset$Purchased, SplitRatio = 0.8)
training_set = subset(dataset, split == TRUE)
test_set = subset(dataset, split == FALSE)
# Feature Scaling
training_set[, 2:3] = scale(training_set[, 2:3])
test_set[, 2:3] = scale(test_set[, 2:3])
