使用python划分数据集

无论是训练机器学习或是深度学习，第一步当然是先划分数据集啦，今天小白整理了一些划分数据集的方法，希望大佬们多多指教啊，嘻嘻~

首先看一下数据集的样子，flower_data文件夹下有四个文件夹，每个文件夹表示一种花的类别

  

划分数据集的主要步骤：

1. 定义一个空字典，用来存放各个类别的训练集、测试集和验证集，字典的key是类别，value也是一个字典，存放该类别的训练集、测试集和验证集；

2.使用python获取所有的类别文件夹；

3.对每个类别划分训练集、测试集和验证集：（1）把该类别的所有有效图片放入一个列表中；（2）设置一个随机数对列表进行划分。

具体的代码实现如下所示

import glob
import os.path
import random
import numpy as np
# 图片数据文件夹
INPUT_DATA = './flower_data'
# 这个函数从数据文件夹中读取所有的图片列表并按训练、验证、测试数据分开
# testing_percentage和validation_percentage指定了测试数据集和验证数据集的大小
def create_image_lists(testing_percentage,validation_percentage):
    # 得到的所有图片都存在result这个字典里，key为类别的名称，value值也是一个字典，存放的是该类别的
    # 文件名、训练集、测试集和验证集
    result = {}
    # 获取当前目录下所有的子目录,这里x 是一个三元组(root,dirs,files)，第一个元素表示INPUT_DATA当前目录，
    # 第二个元素表示当前目录下的所有子目录,第三个元素表示当前目录下的所有的文件
    sub_dirs = [x[0] for x in os.walk(INPUT_DATA)]
    # sub_dirs = ['./flower_data','./flower_data\\daisy','./flower_data\\dandelion',
    #             './flower_data\\roses','./flower_data\\sunflowers','./flower_data\\tulips']
    # 每个子目录表示一类花，现在对每类花划分训练集、测试集和验证集
    # sub_dirs[0]表示当前文件夹本身的地址，不予考虑，只考虑他的子目录（各个类别的花）
    for sub_dir in sub_dirs[1:]:
        # 获取当前目录下所有的有效图片文件
        extensions = ['jpg','jpeg']
        # 把图片存放在file_list列表里
        file_list = []
        # os.path.basename(sub_dir)返回sub_sir最后的文件名
        # 如os.path.basename('./flower_data/daisy')返回daisy
        dir_name = os.path.basename(sub_dir)
        for extension in extensions:
            file_glob = os.path.join(INPUT_DATA,dir_name,'*.'+extension)
            # glob.glob(file_glob)获取指定目录下的所有图片，存放在file_list中
            file_list.extend(glob.glob(file_glob))
        if not file_list: continue
        # 通过目录名获取类别的名称,返回将字符串中所有大写字符转换为小写后生成的字符串
        label_name = dir_name.lower()
        # 初始化当前类别的训练数据集、测试数据集和验证数据集
        training_images = []
        testing_images = []
        validation_images = []
        for file_name in file_list:
            base_name = os.path.basename(file_name)
            # 随机将数据分到训练数据集、测试数据集和验证数据集
            # 产生一个随机数，最大值为100
            chance = np.random.randint(100)
            if chance < validation_percentage:
                validation_images.append(base_name)
            elif chance < (testing_percentage+validation_percentage):
                testing_images.append(base_name)
            else:
                training_images.append(base_name)
        # 将当前类别是数据放入结果字典
        result[label_name]={'dir':dir_name,
                            'training':training_images,
                            'testing':testing_images,
                            'validation':validation_images}
    # 返回整理好的所有数据
    return result
result = create_image_lists(10,30)
print(result)

运行结果：

可以看出字典result中有五个key,表示五个类别。

下图是各个类别的划分情况：