我的日期设置较大，其中部分列为(reverse=true)，其他列为Date，如状态，部门名称，国家/地区名称。
那么当我调用categorical Data方法时，如何在graphlab中处理这些数据，我是否必须预先处理这些数据并将其转换为数字或直接提供给graphlab。
答案 0 :(得分：1)
Graphlab主要用于计算基于表格和图表的数据集，并且具有较高的scalability和performance。在graphlab.linear_regression.create中，graphlab具有内置功能，可以理解数据类型，并为优化结果提供最合适的linear regression方法。例如，对于目标和要素的数值数据，大多数情况下，graphlab需要Newtons Method线性回归。同样，根据数据集，了解需求并相应地给出方法。
现在，关于预处理，graphlab只需要SFrame学习，需要在学习之前正确解析。在创建SFrame时，始终会反映未处理和错误创建数据并引发错误。因此，为了完成任何学习，您需要拥有干净的数据。如果SFrame接受了数据，并且您选择了所需的目标和功能，那么您也可以选择pre-processing和cleaning data。此外，在任何学习算法之前进行feature engineering始终是一个好习惯，并且在学习之前重新定义数据类型总是建议准确性。
关于如何在Graphlab中处理数据的问题，我想说，这取决于！一些数据集是表格式的，并且相应地处理，一些数据集以图形结构处理。当regression tree和boosted classifiers遵循decision tree概念时，Graphlab执行得非常好，并且在graphlab以外的其他库中耗费时间和资源。
对我来说，graphlab在创建推荐引擎时表现非常好，其中我有节点和边缘的数据集，而boosted tree classifier 18次迭代在完全可扩展的时间内完美无缺，我必须说，即使是树结构化数据graphlab表现得非常好。我希望这个答案有所帮助。