本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 準備資料集
<a name="ex1-preprocess-data"></a>

在此步驟中，您可以使用 SHAP (SHapley Additive exPlanations) 程式庫將[成人人口普查資料集](https://archive.ics.uci.edu/ml/datasets/adult)載入您的筆記本執行個體、檢閱資料集、轉換，然後將其上傳到 Amazon S3。SHAP 是一種遊戲理論方法，用於解釋任何機器學習模型的輸出。如需有關 SHAP 的更多相關資訊，請參閱[歡迎使用 SHAP 文件](https://shap.readthedocs.io/en/latest/)。

若要執行下列範例，請將範例程式碼貼到筆記本執行個體的儲存格中。

## 使用 SHAP 載入成人人口普查資料集
<a name="ex1-preprocess-data-pull-data"></a>

使用 SHAP 圖書館匯入成人人口普查資料集，如下所示：

```
import shap
X, y = shap.datasets.adult()
X_display, y_display = shap.datasets.adult(display=True)
feature_names = list(X.columns)
feature_names
```

**注意**  
如果目前的 Jupyter 核心沒有 SHAP 程式庫，請執行下列命令進行安裝：`conda`  

```
%conda install -c conda-forge shap
```
如果您使用 JupyterLab，則必須在安裝和更新完成後手動重新整理核心。執行以下 IPython 指令碼關閉核心 (核心將自動重新啟動)：  

```
import IPython
IPython.Application.instance().kernel.do_shutdown(True)
```

`feature_names` 列出物件應傳回以下功能清單：

```
['Age',
 'Workclass',
 'Education-Num',
 'Marital Status',
 'Occupation',
 'Relationship',
 'Race',
 'Sex',
 'Capital Gain',
 'Capital Loss',
 'Hours per week',
 'Country']
```

**提示**  
如果您從未標籤的資料開始，可以使用 Amazon SageMaker Ground Truth 相在幾分鐘內建立資料標籤工作流程。要瞭解更多資料，請參閱[標籤資料](https://docs.aws.amazon.com/sagemaker/latest/dg/data-label.html)。

## 資料集概觀
<a name="ex1-preprocess-data-inspect"></a>

執行下列指令碼，以顯示數值圖徵之資料集和長條圖的統計概觀。

```
display(X.describe())
hist = X.hist(bins=30, sharey=True, figsize=(20, 10))
```

![\[成人人口普查資料集概述。\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-1.png)


**提示**  
如果您想要使用需要清理和轉換的資料集，可以使用 Amazon SageMaker Data Wrangler 簡化和簡化資料預處理和功能工程。要深入瞭解，請參閱[使用 Amazon SageMaker Data Wrangler 準備機器學習 (ML) 資料](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html)。

## 將資料分割為訓練、測試和驗證資料集。
<a name="ex1-preprocess-data-transform"></a>

使用 Sklearn 將資料集拆分為訓練集和測試集。訓練集用於訓練模型，而測試集則用於評估最終訓練模型的效能。資料集會以固定隨機種子隨機排序：訓練集的 80% 資料集，而測試集則為 20%。

```
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=1)
X_train_display = X_display.loc[X_train.index]
```

拆分訓練集以分離出驗證集。驗證集用於評估訓練模型的效能，同時調整模型的超參數。75% 的訓練集成為最後的訓練集，其餘的則是驗證集。

```
X_train, X_val, y_train, y_val = train_test_split(X_train, y_train, test_size=0.25, random_state=1)
X_train_display = X_display.loc[X_train.index]
X_val_display = X_display.loc[X_val.index]
```

使用 pandas 套件，透過將數字特徵與真實標籤串連，明確對齊每個資料集。

```
import pandas as pd
train = pd.concat([pd.Series(y_train, index=X_train.index,
                             name='Income>50K', dtype=int), X_train], axis=1)
validation = pd.concat([pd.Series(y_val, index=X_val.index,
                            name='Income>50K', dtype=int), X_val], axis=1)
test = pd.concat([pd.Series(y_test, index=X_test.index,
                            name='Income>50K', dtype=int), X_test], axis=1)
```

檢查資料集是否按預期拆分和結構：

```
train
```

![\[訓練資料集範例。\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-2-train.png)


```
validation
```

![\[驗證資料集範例。\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-2-validation.png)


```
test
```

![\[測試資料集範例。\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-2-test.png)


## 將訓練和驗證資料集轉換為 CSV 檔案
<a name="ex1-preprocess-data-transform-2"></a>

將 `train` 和 `validation` 資料框物件轉換為 CSV 檔案，以符合 XGBoost 演算法的輸入檔案格式。

```
# Use 'csv' format to store the data
# The first column is expected to be the output column
train.to_csv('train.csv', index=False, header=False)
validation.to_csv('validation.csv', index=False, header=False)
```

## 將資料集上傳到 Amazon S3
<a name="ex1-preprocess-data-transform-4"></a>

使用 SageMaker AI 和 Boto3，將訓練和驗證資料集上傳到預設的 Amazon S3 儲存貯體。Amazon EC2 上的運算最佳化 SageMaker 執行個體將使用 S3 儲存貯體中的資料集進行訓練。

下列程式碼會為您目前的 SageMaker AI 工作階段設定預設 S3 儲存貯體 URI、建立新 `demo-sagemaker-xgboost-adult-income-prediction` 資料夾，然後將訓練和驗證資料集上傳至 `data` 子資料夾。

```
import sagemaker, boto3, os
bucket = sagemaker.Session().default_bucket()
prefix = "demo-sagemaker-xgboost-adult-income-prediction"

boto3.Session().resource('s3').Bucket(bucket).Object(
    os.path.join(prefix, 'data/train.csv')).upload_file('train.csv')
boto3.Session().resource('s3').Bucket(bucket).Object(
    os.path.join(prefix, 'data/validation.csv')).upload_file('validation.csv')
```

執行下列動作 AWS CLI ，檢查 CSV 檔案是否已成功上傳至 S3 儲存貯體。

```
! aws s3 ls {bucket}/{prefix}/data --recursive
```

輸出應該會傳回以下內容：

![\[用於檢查 S3 儲存貯體中資料集的 CLI 命令輸出。\]](http://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/images/get-started-ni/gs-ni-prepare-data-3.png)