学习ML.NET(3): 导入数据集

机器学习算法需要作用于数据，用来训练算法模型。数据集通常是以纯文本文件存储的表格数据，文件的每一行是一条数据记录，每条记录由多列组成，列之间用分隔符（一般是逗号,）分开，例如前面用到过的鸢尾花数据集。

在ML.NET中，使用TextLoader将文本文件导入到数据集。使用方式如下：

new TextLoader(filePath).CreateFrom<TInput>()

filePath是数据集文件路径。TInput是数据类，数据类中的每个属性对应数据集文件中的一列，属性使用ColumnAttribute匹配指定源列的索引，例如：

[Column(")]
public float SepalLength;

CreateFrom方法包含多个参数，用于指定如何处理文本：

• useHeader：文件第一行是否为列名，默认为false
• separator：列分隔符，默认是制表符\t
• allowQuotedStrings：列值是否是有引号字符串，默认是true，例如“ABC”实际值是ABC，不包含引号
• trimWhitespace：是否去除列值结尾空白，默认是false，例如“ABC ”实际值的长度是4，包含一个空格

示例程序

假设有一个数据集test-data.txt，包含1列Id和一列文本数据，列名分别是Col1和Col2，文件内容如下：

"Col1","Col2"
1,"包含逗号和结尾空格, "
2,包含逗号,
3,包含结尾空格 

创建对应的数据类，数据类属性名可以不和列名一致，只要索引对应就可以了：

public class TestData
{
      [Column(")]
      public float ID;

      [Column(")]
      public string Text;
}

创建TextLoader：

var loader = new Microsoft.ML.Data.TextLoader("test-data.txt").CreateFrom<TestData>(
                 useHeader: true,
                 separator: ',',
                 allowQuotedStrings: true,
                 trimWhitespace: true);

接着我们载入数据集：

using (var environment = new TlcEnvironment())
            {
                var experiment = environment.CreateExperiment();
                var output = loader.ApplyStep(null, experiment) as ILearningPipelineDataStep;

                experiment.Compile();
                loader.SetInput(environment, experiment);
                experiment.Run();

                var data = experiment.GetOutput(output.Data);
                using (var cursor = data.GetRowCursor((a => true)))
                {
                    );
                    );

                    while(cursor.MoveNext())
                    {
                        ;
                        IDGetter(ref ID);
                        DvText Text = new DvText();
                        TextGetter(ref Text);
                        Console.WriteLine($"ID:{ID},Text:\"{Text}\",Text长度为{Text.Length}");
                    }
                }
            }

最后的输出结果：

ID:1,Text:"包含逗号和结尾空格, ",Text长度为11
ID:2,Text:"包含逗号",Text长度为4
ID:3,Text:"包含结尾空格",Text长度为6

第一行列名被过滤。

第二行的文本列用引号引着，结果是原样输出。

第三行的文本列虽然有逗号，但是作为了分隔符。

第四行的文本列的结尾空白被去除。