机器学习之分类学习（数据收集及清洗）

这个系列的文章参考自《python机器学习及其实践》。

分类学习属于有监督学习中最常用常用的学习方法，有监督学习是明确特征结果的，即每个数据都是有标签的。在实际生活中，我们会遇到很多分类问题，比如，对好人和坏人的分类；气象台的天气预告也是分类问题，通过出现的天气特征，预测是雨天还是晴天；生物学家进行物种分类。上面提到的分类问题都是已知了类别的，这就是有监督学习的特征之一。

分类学习也可以说机器学习的第一步是先收集数据，巧妇难为无米之炊，数据就是我们的米，没有米，怎么烹饪出一锅好饭。

先从互联网上收集我们需要的数据：

# 导入pandas与numpy工具包。
import pandas as pd
import numpy as np

# 创建特征列表。
column_names = ['Sample code number',
'Clump Thickness',
'Uniformity of Cell Size',
'Uniformity of Cell Shape',
'Marginal Adhesion',
'Single Epithelial Cell Size',
'Bare Nuclei',
'Bland Chromatin',
'Normal Nucleoli',
'Mitoses',
'Class']

# 使用pandas.read_csv函数从互联网读取指定数据。
data = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data', names = column_names )

接下来就是数据清洗，一锅好饭肯定不单单是要有米，是要有好米，如果给你一袋满是沙粒的米，这怎么做饭，所以我们需要清洗，将其中的杂质去除。

# 将?替换为标准缺失值表示。
data = data.replace(to_replace='?', value=np.nan)
# 丢弃带有缺失值的数据（只要有一个维度有缺失）。
data = data.dropna(how='any')

# 输出data的数据量和维度。
print(data.shape)