加载文件#

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

加载带有类别（子文件夹名称）的文本文件。

假设单个样本是存储在两层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。单个文件名并不重要。

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 为假，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，需要使用 text 模块构建适合您问题的特征提取转换器。

如果将 load_content 设置为 True，则还应使用“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。如果将 encoding 保持为 None，则内容将由字节而不是 Unicode 组成，并且将无法使用 text 中的大多数函数。

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

如果想要具有特定文件扩展名（例如 .txt）的文件，则可以将这些文件扩展名的列表传递给 allowed_extensions。

在用户指南中了解更多信息。

参数：

container_pathstr: 包含每个类别一个子文件夹的主文件夹的路径。
descriptionstr, default=None: 描述数据集特征的段落：其来源、参考文献等。
categoriesstr 列表, default=None: 如果为 None（默认值），则加载所有类别。如果不是 None，则加载的类别名称列表（其他类别将被忽略）。
load_contentbool, default=True: 是否加载不同文件的内容。如果为真，则返回的数据结构中存在包含文本信息的“data”属性。如果不是，则 filenames 属性给出文件的路径。
shufflebool, default=True: 是否打乱数据：对于做出样本独立同分布 (i.i.d.) 假设的模型（例如随机梯度下降）可能很重要。
encodingstr, default=None: 如果为 None，则不尝试解码文件的内容（例如图像或其他非文本内容）。如果非 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'}, default='strict': 关于如果给定要分析的字节序列包含给定 encoding 之外的字符，该怎么做。作为关键字参数“errors”传递给 bytes.decode。
random_stateint, RandomState 实例或 None, default=0: 确定数据集洗牌的随机数生成。传递一个整数以在多次函数调用中获得可重现的输出。参见词汇表。
allowed_extensionsstr 列表, default=None: 要过滤以加载的文件的所需文件扩展名列表。

返回：

dataBunch

类似字典的对象，具有以下属性。

datastr 列表: 仅在 load_content=True 时出现。要学习的原始文本数据。
targetndarray: 目标标签（整数索引）。
target_nameslist: 目标类的名称。
DESCRstr: 数据集的完整描述。
filenames: ndarray: 保存数据集的文件名。

示例

>>> from sklearn.datasets import load_files
>>> container_path = "./"
>>> load_files(container_path)  