机器学习之：载入数据

加载公共的开放数据

通过url链接下载

通常网上有很多开放数据供算法测试。通常要用到urllib从给定的链接下载。例如从UCI机器学习数据仓库中下载的数据：

import numpy as np 
import urllib 
# url with dataset 
url = "http://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-diabetes/pima-indians-diabetes.data" 
# download the file 下载文件 
raw_data = urllib.request.urlopen(url) 
# load the CSV file as a numpy matrix 
dataset = np.loadtxt(raw_data, delimiter=",") 
# separate the data from the target attributes 
X = dataset[:,0:7] 
y = dataset[:,8]

加载sklearn的数据集

sklearn提供了常见的很多数据集，可以很方便地直接调用。使用load_*方法导入：

from sklearn.datasets import load_digits
digits = load_iris()
print(iris)
images = digits.images
target = digits.target

加载本地文件

如果是本地的文件，如果是txt格式的，可以使用np.loadtxt加载

import numpy as np
#加载本地工作空间的文件‘iris.txt’
np.loadtxt('iris.txt',delimiter=',', dtype=<type 'float'>, comments='#', converters=None, skiprows=0, usecols=None, unpack=False, ndmin=0)

如果是csv格式的，可以用pandas的load_csv()加载：

import pandas ad pd
csv_data = pd.read_csv()

如果数据比较复杂，以一定的目录结构保存的，那么加载这些不同类别的文件该如何操作呢？ 假设文件的存放路径为：

container_folder/

category_1_folder/
file_1.txt file_2.txt … file_42.txt
category_2_folder/
file_43.txt file_44.txt …

其中，子文件夹（category_1_folder）的名字区别，作为监督学习的标签区别。
这种情况可以用sklearn.datasets.load_files()函数实现。

sklearn.datasets.load_files(container_path, description=None, categories=None,load_content=True, shuffle=True, encoding=None, decode_error='strict', random_state=0)[source]

上面的参数只解释container_path，load_content=True，encoding=None：
container_path：“container_folder”的路径。
load_content=True：是否真的把文件中的内容加载到内存中，选择true就是了。
encoding=None：string or None (default is None)，是否解码文件中的内容（主要针对图片、视频或其他二进制文件，而非文本内容）；如果不是None，那么在load_content=True的情况下，就会解码文件中的内容。注意，当前文本文件的编码方式一般为“utf-8”。如果不指明编码方式（encoding=None），那么文件内容将会按照bytes处理，而不是unicode处理，这样模块“sklearn.feature_extraction.tex”中的很多函数就不能用了。

返回值：data : Bunch, 得到与直接加载sklearn的数据集相同的数据结构：

• Dictionary-like object。我们感兴趣的有：

• data：原始数据，格式参考下图。

• filenames：每个文件的名字

• target：类别标签（从0开始的整数索引）

• target_names：类别标签（数字）的具体含义（由子文件夹的名字category_1_folder决定）

实例：

data_folder/

category_1_folder/
1.txt file_2.txt
category_2_folder/

3.txt 4.txt

from sklearn import datasets
rawData = datasets.load_files("data_folder")

rawData
Out[10]: 
{'DESCR': None,
 'data': ['5 start, \r\ni like this book.',
  '4 start, \r\nthis book is good,\r\ni like it.',
  "1 start, \r\npretty bad, don't like it at all.",
  "2 start, \r\nwe don't like so much."],
 'filenames': array(['data_folder\\positive_folder\\1.txt',
        'data_folder\\positive_folder\\2.txt',
        'data_folder\\negative_folder\\4.txt',
        'data_folder\\negative_folder\\3.txt'], 
       dtype='|S33'),
 'target': array([1, 1, 0, 0]),
 'target_names': ['negative_folder', 'positive_folder']}

rawData.data
Out[11]: 
['5 start, \r\ni like this book.',
 '4 start, \r\nthis book is good,\r\ni like it.',
 "1 start, \r\npretty bad, don't like it at all.",
 "2 start, \r\nwe don't like so much."]

rawData.target
Out[12]: array([1, 1, 0, 0])

rawData.filenames[rawData.target[0]]
Out[13]: 'data_folder\\positive_folder\\2.txt'

参考：
https://blog.csdn.net/mmc2015/article/details/46852755
http://scikit-learn.org/stable/modules/generated/sklearn.datasets.load_files.html