在大多数Scikit-learn算法中,数据必须作为Bunch对象加载。对于教程中的许多示例,load_files()或其他函数用于填充Bunch对象。像load_files()这样的函数希望数据以某种格式存在,但我有以不同格式存储的数据,即每个字段都包含字符串的CSV文件。
如何解析此数据并以Bunch对象格式加载数据?
答案 0 :(得分:18)
你可以这样做:
import numpy as np
import sklearn.datasets
examples = []
examples.append('some text')
examples.append('another example text')
examples.append('example 3')
target = np.zeros((3,), dtype=np.int64)
target[0] = 0
target[1] = 1
target[2] = 0
dataset = sklearn.datasets.base.Bunch(data=examples, target=target)
答案 1 :(得分:16)
您不必创建Bunch对象。它们仅用于加载scikit-learn的内部样本数据集。
您可以直接将Python字符串列表提供给矢量化程序对象。
答案 2 :(得分:0)
这是一个乳腺癌威斯康星(诊断)数据集的例子,你可以在Kaggle找到csv:
#1)From column 2 at 32 in the CSV are #X_train and X_test data @usecols=range(2,32) this is stored in the Bunch #Object key named "data"
from numpy import genfromtxt
data = genfromtxt("YOUR DATA DIRECTORY", delimiter=',', skip_header=1,
usecols=range(2,32))
#2-)I am interested in the column data B (column 1 #in Numpy Array @usecols= (1),) in the CSV # because is the output of y_train and y_test and is stored in the Bunch #Object Key named: "target"
import pandas as pd
target = genfromtxt("YOUR DATA DIRECTORY", delimiter=',',
skip_header=1, usecols=(1), dtype=str)
#Tome有一些技巧可以改变目标 #sklearn, #offcourse它可以在一个唯一变量中生成(target,target1,...是 #separated只是为了解释我的所作所为。 #3-)首先将numpy变成熊猫
target2 = pd.Series(target)
#4-)使用等级功能,你可以跳过步骤5
target3 = target2.rank(method='dense', axis=0)
#5-)这仅用于将目标转换为0或1之类的 例子中 #Book
target4 = (target3 % 2 == 0) * 1
#6-)将值变为numpy
target5 = target4.values
我在这里复制了Hugh Perkins的解决方案
导入sklearn dataset = sklearn.datasets.base.Bunch(data = data,target = target5)