如何从UCI机器学习库中获取数据

Question

我在正确读取此源的数据时遇到了一个小问题。我试着写：

path = 'http://archive.ics.uci.edu/ml/machine-learning-databases/image/segmentation.data'
df = pd.read_table(path)

然后我发现了一些奇怪的事情。

然后我写道：

df = pd.read_table(path, sep=',', header=None)

得到一个错误：ParserError: Error tokenizing data. C error: Expected 1 fields in line 4, saw 19

你能帮我找到解决办法吗？

Answer 1

该文件基本上是一个csv文件，因此您可以使用read_csv。将它与skiprows=2结合使用可以跳过文件的第一个非相关行。

import pandas as pd
path = 'http://archive.ics.uci.edu/ml/machine-learning-databases/image/segmentation.data'
df = pd.read_csv(path, skiprows=2, index_col=False)

输出df.head():

40>>td style="ext-align:right；">7.33333>td style="text-align:right；">7.66667>td style="ext-align:right:">133.2666670.53858>td style="ext-align:right；">7

	REGION-CENTROID-COL	VEDGE-EAN	VEDGE-SD	RAWGREEN-MEAN	EXRED-MEAN
0	BRICKFACE	125		0.062963	0.66666 7	0.311111	6.18518	3.55556	3.444444	-7.88889	7.77778	0.545635
1	BRICKFACE	188	0.5	0.0777777	-8.33333	8.44444
2	BRICKFACE	0.107407	0.833333 text align:right；">-7.66667	7.55556	0.532628
3	BRICKFACE	0.166667	1、11111、0.474074、5.85185、7.77778、44444 align:right；">-7.55556	7.77778	0.573633
4	BRICKFACE	0.374074	0.88888 9	0.429629	6.03704	-7.77778	7.88889	0.562919

你能给出这样的编码吗：

path = 'http://archive.ics.uci.edu/ml/machine-learning-databases/image/segmentation.data'
df = pd.read_csv(path,encoding = 'utf8')

如果它不起作用，你能尝试其他编码吗？

问题似乎是数据文件包含一些Pandas无法解析的元信息。在pandas读取文件之前，您需要将文件转换为CSV。

要做到这一点，首先将文件下载到本地机器的某个位置filepath，并删除以;;;开头的行和空行。然后运行pd.read_table(filepath, sep='t')或pd.read_csv(filepath)应该可以按预期工作。

请注意，header参数不引用文件可能包含的任何通用标头信息。header使pandas知道CSV中的第一行是否包含列的名称(如果header是True)，或者文件中的实际数据是否从第一行开始(如果header是False)。