我有这种数据集：
43907 120 101
11,31,65,67 0：0.380880 1：0.494080 2：0.540010 3：0.422930 4：0.158320 5：0.326980 6：0.390860 7：0.527120 8：0.254050 9：0.223730 10：0.040290 11：0.141130 12：0.112250 13 ：0.263170 14：0.147020 15：0.472410 16：0.592610 17：0.653140 18：0.499870 19：0.196520 20：0.403890 21：0.482400 22：0.619220 23：0.320350 24：0.281250 25：0.054750 26：0.180460 27：0.139960 28：0.319930 29：0.181220 30：0.364290 31：0.407210 32：0.368930 33：0.427660 34：0.211390 35：0.364340 36：0.370710 37：0.409110 38：0.289300 39：0.243050 40：0.063120 41：0.193590 42：0.158760 43：0.316050 44：0.197410 45：0.656170 46： 0.678760 47：0.650830 48：0.674640 49：0.492430 50：0.623890 51：0.610620 52：0.678220 53：0.574770 54：0.523070 55：0.206800 56：0.496290 57：0.429220 58：0.586610 59：0.471550 60：0.284480 61：0.432470 62：0.498070 63 ：0.408140 64：0.102710 65：0.303030 66：0.309500 67：0.444860 68：0.191730 69：0.174890 70：0.034140 71：0.153100 72：0.068320 73：0.217020 74：0.099690 75：0.409860 76：0.561920 77：0.612030 78：0.514470 79：0.146020 80：0.398810 81：0.383290 82：0.548490 83：0.282940 84：0.252710 85：0.051010 86：0.223110 87：0.098110 88：0.299670 89：0.144870 90：0.308490 91：0.358480 92：0.352080 93：0.394690 94：0.157510 95：0.339370 96：0.321560 97：0.341370 98：0.247970 99： 0.206070 100：0.061000 101：0.216790 102：0.112390 103：0.273650 104：0.152740 105：0.598080 106：0.621690 107：0.607210 108：0.644020 109：0.394950 110：0.593650 111：0.551530 112：0.574390 113：0.511030 114：0.464000 115：0.202030 116 ：0.492340 117：0.317980 118：0.547810 119：0.393780
31,33,67 0：0.449570 1：0.460490 2：0.453470 3：0.410780 4：0.231760 5：0.402150 6：0.349590 7：0.536460 8：0.318120 9：0.301620 10：0.063840 11：0.220340 12：0.184360 13：0.309230 14：0.216980 15：0.513320 16：0.517750 17：0.529540 18：0.479400 19：0.268830 20：0.464330 21：0.411790 22：0.633740 23：0.362320 24：0.354890 25：0.078480 26：0.260790 27：0.220420 28：0.356290 29：0.253430 30： 0.399230 31：0.371270 32：0.337540 33：0.399480 34：0.272790 35：0.414420 36：0.335390 37：0.414630 38：0.328620 39：0.296320 40：0.088510 41：0.264240 42：0.221650 43：0.350630 44：0.256610 45：0.662580 46：0.592860 47 ：0.565150 48：0.626380 49：0.560600 50：0.669770 51：0.567070 52：0.673730 53：0.566180 54：0.560820 55：0.300700 56：0.564590 57：0.507360 58：0.618470 59：0.521170 60：0.357100 61：0.435480 62：0.505530 63：0.444140 64：0.147280 65：0.368310 66：0.305340 67：0.501230 68：0.241660 69：0.233360 70：0.049390 71：0.215940 72：0.103650 73：0.271220 74：0.146740 75：0.416700 76：0.496200 77：0.586400 78：0.504660 79：0.178360 80： 0.425060 81：0.366600 82：0.568510 83 ：0.284050 84：0.282370 85：0.063300 86：0.260140 87：0.127270 88：0.319830 89：0.179630 90：0.349800 91：0.351150 92：0.358620 93：0.409720 94：0.196110 95：0.380290 96：0.313520 97：0.378220 98：0.275040 99：0.248510 100：0.076540 101：0.266020 102：0.145370 103：0.311140 104：0.192090 105：0.618950 106：0.597790 107：0.601750 108：0.646850 109：0.414880 110：0.627460 111：0.539560 112：0.638610 113：0.496370 114：0.480990 115：0.199590 116： 0.535080 117：0.323830 118：0.571490 119：0.397560
第一行表示共有43907行数据，包含101个可能的类和120个维度。我怎样才能在python中读取这种数据集 trainX = [] trainY = []
trainX [0]
预期产量：0.494080,0.540010,0.422930 ..........，0.393780
trainY [0]
预期产量： 11,31,65,67
非常感谢
答案 0 :(得分：1)
with open('file.txt') as file:
head = file.readline()
n, classes, dim = map(int, head.split())
print(n, classes, dim)
train_y = []
train_x = []
for line in file:
line = line.strip()
if line:
data = line.split()
labels = data[0]
print('labels:', labels)
train_y.append(labels)
data = data[1:]
data = [el.split(':')[1] for el in data] # remove index
data = [float(el) for el in data] # convert to float
print('data', len(data), data)
train_x.append(data)
输出：
43907 120 101
11,31,65,67
120 [0.38088, 0.49408, 0.54001, 0.42293, 0.15832, 0.32698, 0.39086, 0.52712, 0.25405, 0.22373, 0.04029, 0.14113, 0.11225, 0.26317, 0.14702, 0.47241, 0.59261, 0.65314, 0.49987, 0.19652, 0.40389, 0.4824, 0.61922, 0.32035, 0.28125, 0.05475, 0.18046, 0.13996, 0.31993, 0.18122, 0.36429, 0.40721, 0.36893, 0.42766, 0.21139, 0.36434, 0.37071, 0.40911, 0.2893, 0.24305, 0.06312, 0.19359, 0.15876, 0.31605, 0.19741, 0.65617, 0.67876, 0.65083, 0.67464, 0.49243, 0.62389, 0.61062, 0.67822, 0.57477, 0.52307, 0.2068, 0.49629, 0.42922, 0.58661, 0.47155, 0.28448, 0.43247, 0.49807, 0.40814, 0.10271, 0.30303, 0.3095, 0.44486, 0.19173, 0.17489, 0.03414, 0.1531, 0.06832, 0.21702, 0.09969, 0.40986, 0.56192, 0.61203, 0.51447, 0.14602, 0.39881, 0.38329, 0.54849, 0.28294, 0.25271, 0.05101, 0.22311, 0.09811, 0.29967, 0.14487, 0.30849, 0.35848, 0.35208, 0.39469, 0.15751, 0.33937, 0.32156, 0.34137, 0.24797, 0.20607, 0.061, 0.21679, 0.11239, 0.27365, 0.15274, 0.59808, 0.62169, 0.60721, 0.64402, 0.39495, 0.59365, 0.55153, 0.57439, 0.51103, 0.464, 0.20203, 0.49234, 0.31798, 0.54781, 0.39378]
31,33,67
120 [0.44957, 0.46049, 0.45347, 0.41078, 0.23176, 0.40215, 0.34959, 0.53646, 0.31812, 0.30162, 0.06384, 0.22034, 0.18436, 0.30923, 0.21698, 0.51332, 0.51775, 0.52954, 0.4794, 0.26883, 0.46433, 0.41179, 0.63374, 0.36232, 0.35489, 0.07848, 0.26079, 0.22042, 0.35629, 0.25343, 0.39923, 0.37127, 0.33754, 0.39948, 0.27279, 0.41442, 0.33539, 0.41463, 0.32862, 0.29632, 0.08851, 0.26424, 0.22165, 0.35063, 0.25661, 0.66258, 0.59286, 0.56515, 0.62638, 0.5606, 0.66977, 0.56707, 0.67373, 0.56618, 0.56082, 0.3007, 0.56459, 0.50736, 0.61847, 0.52117, 0.3571, 0.43548, 0.50553, 0.44414, 0.14728, 0.36831, 0.30534, 0.50123, 0.24166, 0.23336, 0.04939, 0.21594, 0.10365, 0.27122, 0.14674, 0.4167, 0.4962, 0.5864, 0.50466, 0.17836, 0.42506, 0.3666, 0.56851, 0.28405, 0.28237, 0.0633, 0.26014, 0.12727, 0.31983, 0.17963, 0.3498, 0.35115, 0.35862, 0.40972, 0.19611, 0.38029, 0.31352, 0.37822, 0.27504, 0.24851, 0.07654, 0.26602, 0.14537, 0.31114, 0.19209, 0.61895, 0.59779, 0.60175, 0.64685, 0.41488, 0.62746, 0.53956, 0.63861, 0.49637, 0.48099, 0.19959, 0.53508, 0.32383, 0.57149, 0.39756]