import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

dataset = pd.read_csv('data (1).csv') # read_csv：讀取csv文件
#創建一個包含所有自變量的矩陣，及因變量的向量
#iloc表示選取數據集的某行某列；逗號之前的表示行，之后的表示列；冒號表示選取全部，沒有冒號，則表示選取第幾列；values表示選取數據集里的數據。
X = dataset.iloc[:, :-1].values # 選取數據，不選取最后一列。
y = dataset.iloc[:, 3].values # 選取數據,選取每行的第3列數據

from sklearn.preprocessing import Imputer #進行數據挖掘及數據分析的標準庫，Imputer缺失數據的處理
#Imputer中的參數：missing_values 缺失數據，定義怎樣辨認確實數據，默認值：nan ;strategy 策略，補缺值方式 ： mean-平均值 ， median-中值 ， most_frequent-出現次數最多的數 ； axis =0取列 =1取行 
imputer = Imputer(missing_values = 'NaN', strategy = 'mean', axis = 0)
imputer = imputer.fit(X[:, 1:3])#擬合fit
X[:, 1:3] = imputer.transform(X[:, 1:3])

from sklearn.preprocessing import LabelEncoder,OneHotEncoder
labelencoder_X=LabelEncoder()
X[:,0]=labelencoder_X.fit_transform(X[:,0])
onehotencoder=OneHotEncoder(categorical_features=[0])
X=onehotencoder.fit_transform(X).toarray()
#因為Purchased是因變量，Python里面的函數可以將其識別為分類數據，所以只需要LabelEncoder轉換為分類數字
labelencoder_y=LabelEncoder()
y=labelencoder_y.fit_transform(y)

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=0)
#X_train（訓練集的字變量）,X_test（測試集的字變量）,y_train（訓練集的因變量）,y_test（訓練集的因變量）
#訓練集所占的比重0.2~0.25，某些情況也可分配1/3的數據給訓練集；train_size訓練集所占的比重
#random_state決定隨機數生成的方式，隨機的將數據分配給訓練集和測試集；random_state相同時會得到相同的訓練集和測試集

#特征縮放（兩種方式：一：Standardisation(標準化）；二：Normalisation（正常化））
from sklearn.preprocessing import StandardScaler
sc_X=StandardScaler()
X_train=sc_X.fit_transform(X_train)#擬合,對X_train進行縮放
X_test=sc_X.transform(X_test)#sc_X已經被擬合好了，所以對X_test進行縮放時，直接轉換X_test