Données en entrée

Introduction à TensorFlow en Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

La diapositive montre un schéma de trois types de données : texte, image et numérique.

Importer des données pour TensorFlow

Les données peuvent être importées avec tensorflow
- Pratique pour gérer des pipelines complexes
- Pas nécessaire dans ce chapitre
Option plus simple utilisée ici
- Importer avec pandas
- Convertir en tableau numpy
- Utiliser dans tensorflow sans modification

Importer et convertir des données

# Import numpy and pandas
import numpy as np
import pandas as pd

# Load data from csv
housing = pd.read_csv('kc_housing.csv')

# Convert to numpy array
housing = np.array(housing)

Nous nous concentrerons sur les données au format csv dans ce chapitre
Pandas propose aussi des méthodes pour d'autres formats
- P. ex. read_json(), read_html(), read_excel()

Paramètres de read_csv()

Paramètre	Description	Par défaut
`filepath_or_buffer`	Accepte un chemin de fichier ou une URL.	`None`
`sep`	Délimiteur entre les colonnes.	`,`
`delim_whitespace`	Booléen : délimiter les espaces.	`False`
`encoding`	Encodage à utiliser, le cas échéant.	`None`

Utiliser des jeux de données mixtes

Cette image montre des données du jeu King County, avec la colonne du prix des maisons mise en évidence.

Cette image montre des données du jeu King County, avec la colonne waterfront mise en évidence.

Définir le type de données

# Load KC dataset
housing = pd.read_csv('kc_housing.csv')

# Convert price column to float32
price = np.array(housing['price'], np.float32)

# Convert waterfront column to Boolean
waterfront = np.array(housing['waterfront'], np.bool)

Définir le type de données

# Load KC dataset
housing = pd.read_csv('kc_housing.csv')

# Convert price column to float32
price = tf.cast(housing['price'], tf.float32)

# Convert waterfront column to Boolean
waterfront = tf.cast(housing['waterfront'], tf.bool)

Passons à la pratique !

Introduction à TensorFlow en Python