sklearn.datasets.load_files¶

sklearn.datasets.load_files(container_path, *, description=None, categories=None, load_content=True, shuffle=True, encoding=None, decode_error='strict', random_state=0)

[源码]

加载带有类别作为子文件夹名称的文本文件。

假定单个样本是存储在两个级别的文件夹结构中的文件，例如：

container_folder/

category_1_folder/

file_1.txt file_2.txt … file_42.txt

category_2_folder/

file_43.txt file_44.txt …

文件夹名称用作监督信号标签名称。各个文件名并不重要。

此函数不会尝试将特征提取到numpy数组或scipy稀疏矩阵中。此外，如果load_content为false，则不会尝试将文件加载到内存中。

要在scikit-learn分类或聚类算法中使用文本文件，您将需要使用：mod`〜sklearn.feature_extraction.text`模块来构建适合您问题的特征提取转换器。

如果您设置load_content = True，则还应该使用“ encoding”参数指定文本的编码。对于许多现代文本文件，“ utf-8”将是正确的编码。如果编码等同于None，则内容将由字节而不是Unicode组成，并且您将无法在文本中使用大多数功能。

应该为其他类型的非结构化数据输入（例如图像，音频，视频等）构建类似的特征提取器。

在用户指南中阅读更多内容。

参数	说明
container_path	string or unicode 主文件夹的路径，每个类别包含一个子文件夹
description	string or unicode, optional (default=None) 描述数据集特征的段落：其来源、参考等。
categories	A collection of strings or None, optional (default=None) 如果没有（默认），则加载所有类别。如果不是None，则加载类别名称列表（忽略其他类别）。
load_content	bool, optional (default=True) 是否加载不同文件的内容。如果为true，则在返回的数据结构中包含包含文本信息的‘data’属性。如果不是，则使用filenames属性提供文件的路径。
shuffle	bool, optional (default=True) 是否对数据进行shuffle：对于假设样本是独立且均匀分布（i.i.d.）的模型（例如随机梯度下降）可能很重要。
encoding	string or None (default is None) 如果是None，请不要尝试解码文件的内容（例如，图像或其他非文本内容）。如果不是None，则在load_content为True时用于将文本文件解码为Unicode的编码。
decode_error	{‘strict’, ‘ignore’, ‘replace’}, optional 对供分析的包含非给定编码字符的字节序列进行指导。作为关键字参数“errors”传递给bytes.decode。
random_state	int, RandomState instance or None, default=0 确定用于数据集shuffle的随机数生成。为多个函数调用传递可重复输出的int值。请参阅词汇表。

返回值	说明
data	`Bunch` 类字典对象，具有以下属性。 - data:list of str 仅在load_content = True时存在。要学习的原始文本数据。 - target:ndarray 目标标签（整数索引）。 - target_names:list 目标类的名称。 - DESCR:str 数据集的完整描述。 - filenames: ndarray 保存数据集的文件名。