3.1.1　克利夫兰心脏病数据集的二元目标

克利夫兰心脏病（Cleveland，1988）数据集包含303名受试者的患者数据。数据集中的某些列包含有缺失值，我们也会处理这样的问题。数据集包含13列，包括胆固醇和年龄。

任务目标是检测某个患者对象是否有心脏病，因此这是二元目标。我们要解决的数据处理问题是，对数据使用0到4的值进行编码，其中0表示没有心脏病，1到4的范围表示某种类型的心脏病。

我们将使用数据集中标识为Cleveland的部分，数据可以使用此链接下载：https://archive.ics.uci.edu/ml/machine-learning-databases/heartdisease/processed.cleveland.data。

数据集的具体属性如下：

让我们按照下面的步骤将数据集读入pandas DataFrame并清理数据：

1）在谷歌Colab中，将首先使用如下wget命令下载数据：

这样，就可以将processing.cleveland.data文件下载到Colab的默认目录中，并且可以通过检查Colab左侧的Files选项卡进行验证。请注意，前面的指令都是一行，不幸的是，这个指令非常长。

2）接下来，我们使用pandas加载数据集，以验证数据集是否为可读和可访问的。

Pandas是一个非常受数据科学家和机器学习科学家欢迎的Python库。它简化了加载和保存数据集、替换缺失的值、检索数据的基本统计属性，甚至执行转换。Pandas就像是一个救星，现在大多数其他机器学习库都接受Pandas作为有效的输入格式。

在Colab中执行如下命令加载和显示部分数据：

read_csv()函数的作用是：加载一个以逗号分隔值（CSV）格式化的文件。我们使用参数header=None告诉pandas数据没有任何实际的头文件。如果省略，pandas将使用数据的第一行作为每个列的名称，但在本例中我们不希望这样做。

加载的数据存储在一个名为df的变量中。虽然df可以是任何名称，但我认为df很容易记住，因为pandas是将数据存储在DataFrame对象中。因此，对于数据来说，df似乎是一个合适、简短且容易记住的名称。然而，如果使用多个DataFrame，那么用一个描述它们所包含数据的名称来对所有DataFrame分别进行不同的命名会更加方便。

在DataFrame上操作的head()方法类似于unix命令，用于检索文件的前几行。在DataFrame中，head()方法返回前五行数据。如果希望检索更多或更少的数据行，那么可以指定一个整数作为该方法的参数。例如，如果你想要检索前三行，那么你可以执行df.head(3)。

运行上述代码的结果如下所示：

下面是一些需要注意和记住的要点，以备将来参考：

·在左边，有一个未命名的列，竖列是连续的数字，0,1,…,4。这些是pandas分配给数据集中每一行的索引，是唯一的数字。有些数据集有唯一的标识符，例如图像的文件名。

·在顶部，有一横行是0,1,…,13。这些是列的标识符，它们也是唯一的，并且可以设置。

·在每一行和每一列的交点，我们的值要么是浮点小数，要么是整数。除了列13之外，整个数据集包含十进制数，列13是目标输出，该列包含的是整数。

3）因为我们将使用这个数据集处理二元分类问题，所以我们现在需要更改最后一列，使其只包含二元值：0和1。我们将保留0的原始含义，即没有心脏病，任何大于或等于1的都将映射到1，表示对某种类型心脏病的诊断。可以运行下列指令：

df[13]指令查看DataFrame并检索索引为13的列的所有行。然后，在第13列的所有行上使用set()方法创建列中所有不同元素的集合。这样，我们就可以知道有多少个不同的值，以便替换它们。输出结果如下：

由此，我们知道0表示没有心脏病，1表示有心脏病。然而，我们需要将2、3和4映射为1，因为它们也表示心脏病阳性。我们可以通过执行以下命令来实现这个改变：

这里，replace()函数在DataFrame上工作，替换特定的值。在我们的例子中，它有三个参数：

·to_replace=[2,3,4]表示要搜索的项列表，以便替换它们。

·value=1表示将替换每个匹配项的值。

·inplace=True向pandas表明想要对该列进行更改。

在某些情况下，pandas DataFrame的行为就像一个不可变的对象，此时就需要使用inplace=True参数。否则，就得这么做：

df[13]=df[13].replace(to_replace=[2,3,4],value=1)，这对有经验的pandas用户来说不成问题。这意味着你应该都熟悉这两种方式。

pandas初学者面临的主要问题是，它的行为并不总是像一个不可变对象。因此，应该将所有的pandas文档放在身边：https://pandas.pydata.org/pandas-docs/stable/index.html。

执行该命令的输出结果如下：

首先，请注意，当我们打印前5行时，第13列的值现在只包含0或1。可以将它们与原始数据进行比较，以验证加粗显示的数字是否确实发生了变化。我们还使用set(df[13])验证了该列的所有唯一值的集合现在只有{0,1}，这是期望的目标。

有了这些变化，我们可以使用数据集来训练深度学习模型，可能会改进现有的记录性能（Detrano,R.,et al.，1989）。

可以应用同样的方法，使得在集合中的任何其他列具有二元值。作为练习，让我们将著名的MNIST数据集用作另外一个示例。