fix bug(#46) in feature preprocessing

docs/chapter03_DL-basics/3.16_kaggle-house-price.md

@@ -83,8 +83,8 @@ all_features = pd.concat((train_data.iloc[:, 1:-1], test_data.iloc[:, 1:]))
 numeric_features = all_features.dtypes[all_features.dtypes != 'object'].index
 all_features[numeric_features] = all_features[numeric_features].apply(
     lambda x: (x - x.mean()) / (x.std()))
-# 标准化后，每个特征的均值变为0，所以可以直接用0来替换缺失值
-all_features = all_features.fillna(0)
+# 标准化后，每个数值特征的均值变为0，所以可以直接用0来替换缺失值
+all_features[numeric_features] = all_features[numeric_features].fillna(0)
 ```
 
 接下来将离散数值转成指示特征。举个例子，假设特征MSZoning里面有两个不同的离散值RL和RM，那么这一步转换将去掉MSZoning特征，并新加两个特征MSZoning\_RL和MSZoning\_RM，其值为0或1。如果一个样本原来在MSZoning里的值为RL，那么有MSZoning\_RL=1且MSZoning\_RM=0。
@@ -92,12 +92,12 @@ all_features = all_features.fillna(0)
 ``` python
 # dummy_na=True将缺失值也当作合法的特征值并为其创建指示特征
 all_features = pd.get_dummies(all_features, dummy_na=True)
-all_features.shape # (2919, 354)
+all_features.shape # (2919, 331)
 ```
 
-可以看到这一步转换将特征数从79增加到了354。
+可以看到这一步转换将特征数从79增加到了331。
 
-最后，通过`values`属性得到NumPy格式的数据，并转成`NDArray`方便后面的训练。
+最后，通过`values`属性得到NumPy格式的数据，并转成`Tensor`方便后面的训练。
 
 ``` python
 n_train = train_data.shape[0]