《Python大規模機器學習》— 2.2 流化源數據

2.2????流化源數據

當你有一個傳輸數據的生成過程時，某些數據實際上正在流經你的計算機，你能動態處理或丟棄這些數據，但是除非你將其存儲到某個數據存儲庫中，否則之后無法再訪問這些數據。這就像從一條流動的河水中取水一樣——河流一直在流動，但你不能同時過濾和處理所有河水。這與一次處理所有數據完全不同，后者更像是把所有的水都放在大壩里(類似于處理內存中的所有數據)。

作為數據流的一個示例，我們可以引用傳感器即時產生的數據流，或者更簡單地引用Twitter的流水線數據流。一般而言，數據流主要來源如下：

測量溫度、壓力和濕度的環境傳感器

記錄位置(緯度/經度)的GPS跟蹤傳感器

記錄圖像數據的衛星

監視視頻和聲音記錄

網絡流量

但是你通常不會處理真實的數據流，而是會處理存儲在存儲庫或文件中的靜態記錄。在這種情況下，可根據某些標準重新創建數據流，例如，一次順序或隨機提取單個記錄。例如，如果我們的數據包含在TXT或CSV文件中，只需每次獲取文件的一行并將其傳遞給學習算法。

在本章和下一章的示例中，我們將處理存儲在本地硬盤上的文件，并會為提取數據流準備相應的Python代碼。我們不使用無意義的數據集，但也不會用太多數據進行測試和演示。

2.2.1????處理真實數據集

1987年加州大學歐文分校(UCI)就開始建立UCI機器學習庫，這是一個大型數據集庫，被機器學習社區用于驗證機器學習算法。編寫本書時，該存儲庫大約包含350個來自不同領域和用于不同用途的數據集，從有監督回歸和分類到無監督任務等。訪問https://Archive.ics.uci.edu/ml可查看可用數據集。

本書選擇了部分數據集（如表2-1所示），這些數據集在整本書中非常有用，而對你來說，用一臺不尋常但仍可管理2GB內存的計算機處理大量數據非常具有挑戰性。

表2-1參考數據集

若要從UCI存儲庫下載和使用數據集，必須轉到該數據集的專用頁面，并按照標題“Download:Data Folder”下方的鏈接進行操作。本書給出部分自動下載數據腳本，可放在你的Python使用目錄中，這樣會使數據訪問更加容易。

下面是給出的部分函數，當從UCI下載任意數據集時，在相應部分調用這些函數即可：

下載示例代碼

下載代碼包的詳細步驟如前所述，請看一看。本書代碼包也托管在GitHub上，網址是

https://github.com/PacktPublishing/Large-Scale-Machine-Learning-With-Python。

大量書籍和視頻目錄中的其他代碼包可在https://github.com/PacktPublishing/查看！

這些函數只是圍繞各種包建立的打包器，可以處理諸如tarfile、zipfile和gzip之類的壓縮數據。文件使用urllib2模塊打開，這將生成遠程系統句柄，并允許從IO模塊（專門用于流處理的模塊，參見https://docs.Python.org/2/library/io.html）連續傳輸數據并以字符串形式(StringIO)或二進制形式(BytesIO)存儲到內存。之后，可以用專門的函數像處理文件一樣訪問這些數據。

這4個函數能輕松幫助你快速下載數據集，無論數據被壓縮、粘貼、解壓，或者僅僅是矩陣形式的純文本，這樣有助于避免手工下載和提取操作的麻煩。

Python 機器學習

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。