当然可以！下面是一个简单的 Python 代码示例，展示如何对包含数值变量和分类变量的数据集进行预处理，并将其输入到一个基本的神经网络模型中。 ```python import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler, OneHotEncoder from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense # 创建模拟数据集 data = { 'age': [25, 34, 47, 58], 'income': [50000, 60000, 90000, 120000], 'gender': ['male', 'female', 'female', 'male'] } df = pd.DataFrame(data) # 划分数值列和类别列 numerical_cols = ['age', 'income'] categorical_cols = ['gender'] # 对数值变量进行标准化 scaler = StandardScaler() df[numerical_cols] = scaler.fit_transform(df[numerical_cols]) # 对分类变量进行独热编码 encoder = OneHotEncoder(sparse=False) encoded_gender = encoder.fit_transform(df[categorical_cols]) encoded_df = pd.DataFrame(encoded_gender, columns=encoder.get_feature_names_out(categorical_cols)) # 合并数值和分类数据 final_data = pd.concat([df[numerical_cols].reset_index(drop=True), encoded_df.reset_index(drop=True)], axis=1) # 构建简单神经网络模型 model = Sequential([ Dense(16, activation='relu', input_shape=(final_data.shape[1],)), Dense(8, activation='relu'), Dense(1, activation='sigmoid') # 假设这是一个二分类问题 ]) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # 模拟目标变量 y = np.array([0, 1, 1, 0]) # 类别标签 # 训练测试分割 X_train, X_test, y_train, y_test = train_test_split(final_data.values, y, test_size=0.2, random_state=42) # 训练模型 model.fit(X_train, y_train, epochs=50, batch_size=1, verbose=1) # 测试模型性能 loss, accuracy = model.evaluate(X_test, y_test) print(f'Test Accuracy: {accuracy:.4f}') ``` 此段代码展示了从加载数据、预处理到最后训练神经网络的过程。这里我们假设 `gender` 是分类变量而 `age`, `income` 是数值变量。对于分类变量进行了 One-Hot 编码处理，而对于数值型字段做了标准化变换。然后将这两部分结合起来喂给 Keras 中的一个小型全连接网络进行训练。 --- ### 关于上述代码的一些解释： - **StandardScaler**: 这是用来调整数值特征的标准尺度工具。 - **OneHotEncoder**: 把分类别的文本形式转换成了机器能理解的一系列零壹向量表示法。 - **Sequential API**: TensorFlow/Keras 提供的一种方便搭建 DNN 的接口方法之一，允许用户按顺序堆叠各层组件直至形成完整架构为止。 ---