对python .txt文件读取及数据处理方法总结

时间:2022-10-06 22:28:43

1、处理包含数据的文件

最近利用python读取txt文件时遇到了一个小问题,就是在计算两个np.narray()类型的数组时,出现了以下错误:

?
1
typeerror: ufunc 'subtract' did not contain a loop with signature matching types dtype('<u3') dtype('<u3') dtype('<u3')

作为一个python新手,遇到这个问题后花费了挺多时间,在网上找了许多大神们写的例子,最后终于解决了。

总结如下:

(1)出现此问题的原因是:目的是想计算两个数组间的差值,但数组中的元素不是数据类型(float或int等),而是str类型的。

(2)解决方法:在为空数组添加数据过程中,将每个数据强制转化为float型。

如将“character.append(dataset[i][:-1])”修改为“ character.append([float(tk) for tk in dataset[i][:-1]])”

现将利用python读取txt文件的过程总结如下:

python版本为python3.6

(1)函数定义,存放于function.py文件中:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
from numpy import *
import random
#读取数据函数,返回list类型的训练数据集和测试数据集
def loaddata(filename):
 trainingdata=[]
 testdata=[]
 with open(filename) as txtdata:
 lines=txtdata.readlines()
 for line in lines:
  linedata=line.strip().split(',') #去除空白和逗号“,”
  if random.random()<0.7#数据集分割比例
  trainingdata.append(linedata) #训练数据集
  else:
  testdata.append(linedata) #测试数据集
 return trainingdata,testdata
#输入数据为list类型,分割数据集,分割为特征和标签两部分,返回数据为np.narray类型
def splitdata(dataset):
 character=[]
 label=[]
 for i in range(len(dataset)):
 character.append([float(tk) for tk in dataset[i][:-1]])
 label.append(dataset[i][-1])
 return array(character),array(label)

(2)实现两个数组间的减法,存放于main.py文件中:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
#__author__=='qustl_000'
#-*- coding: utf-8 -*-
import numpy as np
import function
filename="1.txt"
trainingdata,testdata=function.loaddata(filename)
trainingcharacter,traininglabel=function.splitdata(trainingdata)
testcharacter,testlabel=function.splitdata(testdata)
diff1=np.tile(testcharacter[0],(len(trainingcharacter),1))-trainingcharacter
print('测试数据集的一条数据,扩充到与训练数据集同维:')
print(np.tile(testcharacter[0],(len(trainingcharacter),1)))
print('训练数据集:')
print(trainingcharacter)
print('作差后的结果:')
print(diff1)

(3)运行结果:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
测试数据集的一条数据,扩充到与训练数据集同维:
[[ 1.5 60. ]
 [ 1.5 60. ]
 [ 1.5 60. ]
 [ 1.5 60. ]
 [ 1.5 60. ]
 [ 1.5 60. ]
 [ 1.5 60. ]
 [ 1.5 60. ]
 [ 1.5 60. ]
 [ 1.5 60. ]
 [ 1.5 60. ]
 [ 1.5 60. ]
 [ 1.5 60. ]]
训练数据集:
[[ 1.5 40. ]
 [ 1.5 50. ]
 [ 1.6 40. ]
 [ 1.6 50. ]
 [ 1.6 60. ]
 [ 1.6 70. ]
 [ 1.7 60. ]
 [ 1.7 70. ]
 [ 1.7 80. ]
 [ 1.8 60. ]
 [ 1.8 80. ]
 [ 1.8 90. ]
 [ 1.9 90. ]]
作差后的结果:
[[ 0. 20. ]
 [ 0. 10. ]
 [ -0.1 20. ]
 [ -0.1 10. ]
 [ -0.1 0. ]
 [ -0.1 -10. ]
 [ -0.2 0. ]
 [ -0.2 -10. ]
 [ -0.2 -20. ]
 [ -0.3 0. ]
 [ -0.3 -20. ]
 [ -0.3 -30. ]
 [ -0.4 -30. ]]

数据集如下:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
1.5,40,thin
1.5,50,fat
1.5,60,fat
1.6,40,thin
1.6,50,thin
1.6,60,fat
1.6,70,fat
1.7,50,thin
1.7,60,thin
1.7,70,fat
1.7,80,fat
1.8,60,thin
1.8,70,thin
1.8,80,fat
1.8,90,fat
1.9,80,thin
1.9,90,fat

2、处理文本文件,如情感识别类的文件

在进行文本的情感分类时,从电影评论数据集网站上下载数据集后,发现数据集中存在许多不需要的符号。截取部分包含多余字符的数据如下:

对python .txt文件读取及数据处理方法总结

下载数据集后,所有txt文件存放在两个文件夹:“neg”(包含消极评论)和“pos”(包含积极地评论)中。

两者的存放目录如下:“f:\self_learning\机器学习\python\bayes\review_polarity\txt_sentoken”。后面需要用到文件路径,此路径可根据自己存放目录修改。

主要涉及到的python操作有:多余字符的删除、文件夹中多文件的操作。

2.1 多余字符的删除

首先,我们要删除多余的符号,获得干净的数据。

经过查找资料,知道删除一条文本数据中不需要的符号,可以通过re.sub(chara,newchara,data)函数实现,其中chara是需要删除的字符,newchara是删除字符后相应位置的替换字符,data是需要操作的数据。比如下面的代码,指的是删除lines中包含的前面列出的字符,并用空白替换:

?
1
linestring = re.sub("[\n\.\!\/_\-$%^*(+\"\')]+|[+—()?【】“”!:,;.?、~@#¥%…&*()0123456789]+", " ", lines)

2.2 python对多文件的操作

下面的程序中,pathdirpos指的是所有积极评论的txt文件所在的目录,在此指的是“f:\self_learning\机器学习\python\bayes\review_polarity\txt_sentoken\pos”。child就是获得的每个txt文件全名。

?
1
2
for alldir in pathdirpos:
child = os.path.join('%s' % alldir)

2.3 电影评论数据集预处理

下面给出对于电影评论数据集的预处理程序(python3.6).

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
'''获取数据,并去除数据中的多余符号,返回list类型的数据集'''
def loaddata(pathdirpos,pathdirneg):
 posalldata = [] # 积极评论
 negalldata = [] # 消极评论
 # 积极评论
 for alldir in pathdirpos:
 linedatapos = []
 child = os.path.join('%s' % alldir)
 filename = r"review_polarity/txt_sentoken/pos/" + child
 with open(filename) as childfile:
  for lines in childfile:
  linestring = re.sub("[\n\.\!\/_\-$%^*(+\"\')]+|[+—()?【】“”!:,;.?、~@#¥%…&*()0123456789]+", " ", lines)
  line = linestring.split(' ') #用空白分割每个文件中的数据集(此时还包含许多空白字符)
  for strc in line:
   if strc != "" and len(strc) > 1: #删除空白字符,并筛选出长度大于1的单词
   linedatapos.append(strc)
  posalldata.append(linedatapos)
 # 消极评论
 for alldir in pathdirneg:
 linedataneg = []
 child = os.path.join('%s' % alldir)
 filename = r"review_polarity/txt_sentoken/neg/" + child
 with open(filename) as childfile:
  for lines in childfile:
  linestring = re.sub("[\n\.\!\/_\-$%^*(+\"\')]+|[+—()?【】“”!:,;.?、~@#¥%…&*()0123456789]+", " ", lines)
  line = linestring.split(' ') #用空白分割每个文件中的数据集(此时还包含许多空白字符)
  for strc in line:
   if strc != "" and len(strc) > 1: #删除空白字符,并筛选出长度大于1的单词
   linedataneg.append(strc)
  negalldata.append(linedataneg)
 return posalldata,negalldata
'''划分数据集,将数据集划分为训练数据和测试数据,参数splitpara为分割比例'''
def splitdataset(pathdirpos,pathdirneg,splitpara):
 trainingdata=[]
 testdata=[]
 trainglabel=[]
 testlabel=[]
 posdata,negdata=loaddata(pathdirpos,pathdirneg)
 pos_len=len(posdata)
 neg_len=len(negdata)
 #操作积极评论数据
 for i in range(pos_len):
 if(random.random()<splitpara):
  trainingdata.append(posdata[i])
  trainglabel.append(1)
 else:
  testdata.append(posdata[i])
  testlabel.append(1)
 for j in range(neg_len):
 if(random.random()<splitpara):
  trainingdata.append(negdata[j])
  trainglabel.append(0)
 else:
  testdata.append(negdata[j])
  testlabel.append(0)
 return trainingdata,trainglabel,testdata,testlabel

以上这篇对python .txt文件读取及数据处理方法总结就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持服务器之家。

原文链接:https://blog.csdn.net/weixin_38215395/article/details/78679296