机器学习 - 数据加载

假设如果要启动ML项目，那么您需要做的第一件事也是最重要的事情是什么?这是无涯教程启动任何ML项目都需要加载的数据。关于数据，对于ML项目，最常见的数据格式是CSV(逗号分隔值)。

基本上，CSV是一种简单的文件格式，用于以纯文本格式存储表格数据(数字和文本)，如电子表格。在Python中，可以通过不同的方式将CSV数据加载到其中，但是在加载CSV数据之前必须要注意一些注意事项。

加载CSV事项

CSV数据格式是ML数据中最常见的格式，但是在将其加载到ML项目中时，无涯教程需要注意以下主要注意事项。

文件头

在CSV数据文件中，标题包含每个字段的信息。必须对头文件和数据文件使用相同的定界符，因为头文件指定了应如何解释数据字段。

以下是与CSV文件标头有关的两种情况，必须考虑以下两种情况:

• 情况1    -  当数据文件具有文件头时 ，它将自动为数据的每一列分配名称。

• 情况2    -  当数据文件没有文件头时 ，需要为数据的每一列手动分配名称。

在这两种情况下都必须明确指定文件是否包含标头。

注释

任何数据文件中的注释都具有其重要性，在CSV数据文件中，注释在行的开头用井号(#)表示。在将CSV数据加载到ML项目中时需要考虑注释，因为如果文件中包含注释，则可能需要根据选择的加载方法进行指示。

分隔符

在CSV数据文件中，逗号(，)字符是标准分隔符，分隔符的作用是分隔字段中的值，在将CSV文件上传到ML项目中时，考虑分隔符的作用很重要，因为无涯教程还可以使用其他分隔符，如制表符或空白。但是在使用与标准分隔符不同的分隔符的情况下，必须必须明确指定它。

双引号

在CSV数据文件中，双引号("")是默认的引号字符，将CSV文件上传到ML项目中时，考虑引号的作用很重要，因为还可以使用双引号以外的其他引号字符。但是，如果使用的引号字符与标准引号字符不同，则必须明确指定它。

无涯教程网

加载CSV方法

在处理ML项目时，最关键的任务是将数据正确加载到其中。机器学习项目中最常见的数据格式是CSV，它具有多种形式，并且解析起来也有不同的难度。在本节中，无涯教程将讨论有关Python中加载CSV数据文件的三种常见方法-

使用Python加载

加载CSV数据文件的第一个也是最常用的方法是使用Python标准库，该库为无涯教程提供了各种内置模块，即 csv模块和 reader函数。以下是借助它加载CSV数据文件的示例-

首先，需要导入Python标准库提供的csv模块，如下所示-

import csv

接下来，需要导入Numpy模块，以将加载的数据转换为NumPy数组。

import numpy as np

现在，提供包含CSV数据文件的文件的完整路径，该路径存储在本地目录中-

path=r"c:\iris.csv"

接下来，使用csv.reader()函数从CSV文件读取数据-

with open(path,'r') as f:
reader = csv.reader(f,delimiter = ',')
headers = next(reader)
data = list(reader)
data = np.array(data).astype(float)

可以使用以下脚本行打印标题的名称:

链接：https://www.learnfk.comhttps://www.learnfk.com/python-machine-learning/machine-learning-with-python-data-loading-for-ml-projects.html

来源：LearnFk无涯教程网

print(headers)

以下行将打印数据的维度，即文件中的行数和列数-

print(data.shape)

下一个脚本行将给出数据文件的前三行-

print(data[:3])

['sepal_length', 'sepal_width', 'petal_length', 'petal_width']
(150, 4)
[[5.1 3.5 1.4 0.2]
[4.9 3. 1.4 0.2]
[4.7 3.2 1.3 0.2]]

使用NumPy加载

加载CSV数据文件的另一种方法是 NumPy 和 numpy.loadtxt()函数，以下是借助它加载CSV数据文件的示例-

在此示例中，使用的是具有糖尿病患者数据的Pima Indians数据集，此数据集是没有标题的数字数据集，也可以将其下载到本地目录中，加载数据文件后，可以将其转换为 NumPy 数组，并将其用于ML项目，以下是用于加载CSV数据文件的Python脚本-

from numpy import loadtxt
path = r"C:\pima-indians-diabetes.csv"
datapath= open(path, 'r')
data = loadtxt(datapath, delimiter=",")
print(data.shape)
print(data[:3])

(768, 9)
[[ 6. 148. 72. 35. 0. 33.6 0.627 50. 1.]
[ 1. 85. 66. 29. 0. 26.6 0.351 31. 0.]
[ 8. 183. 64. 0. 0. 23.3 0.672 32. 1.]]

使用Pandas加载

加载CSV数据文件的另一种方法是通过 Pandas 和 pandas.read_csv()函数。这是一个非常灵活的函数，它返回一个pandas.DataFrame，可以立即将其用于绘图。以下是借助它加载CSV数据文件的示例-

在这里，无涯教程将实现两个Python脚本，第一个是使用带有标题的Iris数据集，另一个是使用 Pima Indians Dataset ，它是一个没有标题的数字数据集。这两个数据集都可以下载到本地目录中。

脚本1

以下是使用Iris 数据集上的 Pandas 加载CSV数据文件的Python脚本-

from pandas import read_csv
path = r"C:\iris.csv"
data = read_csv(path)
print(data.shape)
print(data[:3])

(150, 4)
sepal_length sepal_width petal_length petal_width
0 5.1        3.5         1.4          0.2
1 4.9        3.0         1.4          0.2
2 4.7        3.2         1.3          0.2

脚本2

以下是使用Pima Indians Diabetes数据集上的Pandas加载CSV数据文件以及提供标头名称的Python脚本-

from pandas import read_csv
path = r"C:\pima-indians-diabetes.csv"
headernames = ['preg', 'plas', 'pres', 'skin', 'test', 'mass', 'pedi', 'age', 'class']
data = read_csv(path, names=headernames)
print(data.shape)
print(data[:3])

(768, 9)
   preg  plas    pres  skin  test  mass   pedi  age  class
0     6   148      72    35     0  33.6  0.627   50      1
1     1    85      66    29     0  26.6  0.351   31      0
2     8   183      64     0     0  23.3  0.672   32      1

借助给定的示例，可以轻松理解上面使用的三种加载CSV数据文件的方法之间的区别。