将 CSV 数据文件上传到 Pandas Dataframe 时如何分配标签和特征

Question

我正在将 CSV 文件加载到机器学习项目的 Pandas 数据框中。我有 16 列。 “标签”或“目标”是最后一列。其余的都是变量。我需要将前 15 列定义为特征，将第 16 列定义为目标。

我发现的所有示例似乎都在已经定义了这些示例的集合上演示了机器学习。我该如何定义自己的“目标”？

import pandas as pd   
import numpy as np    
import sklearn   
from sklearn.model_selection import train_test_split
lymph = pd.read_csv("D:\\dataset_10_lymph.csv", encoding="utf-8", header = 0)

array = lymph.values
data = array[:,0:-1]
target = array[:,-1]

X_train, X_test, y_train, y_test = train_test_split(lymph.data, lymph.target, stratify=lymph.target, random_state=66)

但是当我尝试测试我的目标数组是否正确生成时，我得到了一个回溯。

AttributeError: 'DataFrame' 对象没有属性 'data'

除非他们使用练习 sklearn 数据集，否则这似乎是一个微不足道的步骤。任何帮助，将不胜感激。谢谢。

Answer 1

好吧，我得到了它的工作：

    target = lymph.columns[-1]
    X = lymph.drop(target, axis = 1)
    y = lymph.drop(X, axis = 1)
    X_train, X_test, y_train, y_test = train_test_split(X, y,test_size=0.2)

Answer 2

这个：

lymph = pd.read_csv("D:\\dataset_10_lymph.csv", encoding="utf-8", header = 0)

将为您提供一个带有数字列名的 DataFrame。所以后续的lymph.data 将找不到名为data 的列并给你 Traceback。

您可以像这样分配列名：

lymph.columns = [....]

列表包含 16 个字符串，如您所说，有 16 列。然后你应该在函数调用train_test_split() 中使用这些列名。但是，正如您所说，前 15 列是输入，第 16 列是标签。所以标签一很简单，但输入特征只是删除了第 16 列的 DataFrame。所以改为这样做：

train_test_split(lymph.drop("target", axis=1), lymph.target, stratify=lymph.target, random_state=66)

"target" 是第 16 列的名称。