如何在scikit中创建sklearn.datasets.base.Bunch对象-从我自己的数据中学习？

Question

在大多数Scikit-learn算法中，数据必须以簇对象的形式加载。在本教程中的许多示例中，使用load_files()或其他函数来填充Bunch对象。像load_files()这样的函数希望数据以某种格式存在，但我有一种不同格式的数据存储，即CSV文件，其中每个字段都有字符串。

如何解析它并以Bunch对象格式加载数据？

Answer 1

您不必创建Bunch对象。它们对于加载scikit-learn的内部样本数据集非常有用。

您可以直接将Python字符串列表提供给向量器对象。

Answer 2

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)

Answer 3

这是一个Breast Cancer Wisconsin (Diagnostic) Data Set的例子，你可以在Kaggle中找到CSV文件：

CSV文件中第2列32处的数据是X_train和X_test

1. @usecols=range(2,32)，它存储在名为data的束对象键中

from numpy import genfromtxt data =genfromtxt(“您的数据目录”，delimiter='，'，skip_header=1，usecols=range(2,32))

1. 我对CSV文件中的列数据B(在Numpy Array @usecols=(1)中的第1列)很感兴趣，因为它是y_train和y_test的输出，并且存储在名为target的Bunch对象键中

有一些技巧可以转换目标，就像在sklearn中一样，当然它可以在一个唯一的变量中创建target, target1, ...只是为了解释我所做的事情。

1. 首先把numpy变成一个熊猫

target2 = pd.Series(target)

为了使用函数，你可以跳过第5步

target3 =target2.ank(method=‘dense’，axis=0)

1. 这只是为了像书中的例子那样在0或1中转换目标

target4 = (target3 %2 == 0) *1

1. 获取numpy中的值

target5 = target4.values

这里我复制了Hugh Perkins的解决方案：

import sklearn
dataset = sklearn.datasets.base.Bunch(data=data, target=target5)