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学习算法中，数据必须作为Bunch对象加载。例如，教程中的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，但我的数据以不同的格式存储，即每个字段都有字符串的CSV文件。

我如何解析它并以Bunch对象格式加载数据？

Answer 1

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 2

您不必创建Bunch对象。它们只适用于加载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器对象。

Answer 3

这是一个癌症威斯康星州乳腺癌（诊断）数据集的例子，您可以在Kaggle:中找到CSV文件

1. CSV文件中32处的第2列为X_train和X_test数据@usecols=range(2,32)，这些数据存储在Bunch中名为data 的对象密钥

   from numpy import genfromtxt
   data = genfromtxt("YOUR DATA DIRECTORY", delimiter=',', skip_header=1,  usecols=range(2,32))
   

2. 我对CSV文件中的列数据B（Numpy Array@usecols=(1)中的列1）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 Object Key中

   import pandas as pd
   target = genfromtxt("YOUR DATA DIRECTORY", delimiter=',', skip_header=1, usecols=(1), dtype=str)
   

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

3. 首先将numpy转换为Panda

   target2 = pd.Series(target)
   

4. 这是为了使用排名功能，你可以跳过步骤5

   target3 = target2.rank(method='dense', axis=0)
   

5. 这只适用于在0或1中转换目标，如书籍中的示例

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

6. 在numpy 中获取值

   target5 = target4.values
   

在这里，我复制了Hugh Perkins的解决方案：

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