python - make - ¿Cómo importar un archivo de datos csv en scikit-learn?

sklearn import mnist

Question

Según tengo entendido, el scikit-learn acepta datos en formato (n-sample, n-feature) que es una matriz 2D. Suponiendo que tengo datos en el formulario ...

Stock prices    indicator1    indicator2
2.0             123           1252
1.0             ..            ..
..              .             . 
.

¿Cómo importo esto?

Answer 1

Use numpy para cargar csvfile

import numpy as np
dataset = np.loadtxt(''./example.csv'', delimiter='','')

Answer 2

Este no es un archivo CSV; Esto es solo un archivo separado por espacios. Suponiendo que no falten valores, puede cargarlo fácilmente en una matriz Numpy llamada data con

import numpy as np

f = open("filename.txt")
f.readline()  # skip the header
data = np.loadtxt(f)

Si el precio de las acciones es lo que desea predecir (su valor de y , en términos de scikit-learn), entonces debe dividir los data usando

X = data[:, 1:]  # select columns 1 through end
y = data[:, 0]   # select column 0, the stock price

Alternativamente, puede aplicar el módulo csv Python estándar para manejar este tipo de archivo.

Answer 3

Puedes buscar la función loadtxt en numpy .

Para obtener las entradas opcionales en el método loadtxt.

Un cambio simple para CSV es

data =  np.loadtxt(fname = f, delimiter = '','')

Answer 4

Una muy buena alternativa para numpy loadtxt es read_csv de Pandas . Los datos se cargan en un marco de datos de Pandas con la gran ventaja de que puede manejar tipos de datos mixtos, como algunas columnas que contienen texto y otras columnas que contienen números. Luego, puede seleccionar fácilmente solo las columnas numéricas y convertirlas a una matriz as_matrix con as_matrix . Pandas también leerá / escribirá archivos de Excel y un montón de otros formatos .

Si tenemos un archivo csv llamado "mydata.csv":

point_latitude,point_longitude,line,construction,point_granularity
30.102261, -81.711777, Residential, Masonry, 1
30.063936, -81.707664, Residential, Masonry, 3
30.089579, -81.700455, Residential, Wood   , 1
30.063236, -81.707703, Residential, Wood   , 3
30.060614, -81.702675, Residential, Wood   , 1

Esto se leerá en el csv y convertirá las columnas numéricas en una matriz numpy para scikit_learn, luego modificará el orden de las columnas y las escribirá en una hoja de cálculo de Excel:

import numpy as np
import pandas as pd

input_file = "mydata.csv"


# comma delimited is the default
df = pd.read_csv(input_file, header = 0)

# for space delimited use:
# df = pd.read_csv(input_file, header = 0, delimiter = " ")

# for tab delimited use:
# df = pd.read_csv(input_file, header = 0, delimiter = "/t")

# put the original column names in a python list
original_headers = list(df.columns.values)

# remove the non-numeric columns
df = df._get_numeric_data()

# put the numeric column names in a python list
numeric_headers = list(df.columns.values)

# create a numpy array with the numeric values for input into scikit-learn
numpy_array = df.as_matrix()

# reverse the order of the columns
numeric_headers.reverse()
reverse_df = df[numeric_headers]

# write the reverse_df to an excel spreadsheet
reverse_df.to_excel(''path_to_file.xls'')