使用 TensorFlow 加載 CSV 數(shù)據(jù)

在機器學習相關(guān)的任務(wù)之中，我們最常用的數(shù)據(jù)集合的格式就是 CSV 格式了，因此我們不僅僅要對CSV格式文件有所了解，同時也要學會如何在 TensorFlo w之中使用 CSV 數(shù)據(jù)。

1. 認識 CSV 數(shù)據(jù)格式

CSV 文件，全稱叫做“逗號分隔值文件”，文件后綴為“.csv”，它是一種表格文件；與 Excel 等文件不同的是，它是以純文本表示的表格文件，而單元格之間用逗號分隔，因此被稱作逗號分隔值文件。

CSV 文件大體可以分為兩個部分：

• 列名部分；
• 數(shù)據(jù)部分。

比如以下CSV文件：

      a   b   c           # 列名部分
0    1   'a'   89         # 數(shù)據(jù)部分
1    3   'f'   88
2    8   'g'   99

該 CSV 文件一共包含三條數(shù)據(jù)，每條數(shù)據(jù)包括 a、b、c 三個字段，而其中 a 和 c 字段是整數(shù)，而 b 字段是字符串。

在實際的應(yīng)用之中，一般的 CSV 數(shù)據(jù)會包含很多冗余的數(shù)據(jù)，我們會根據(jù)自己的需要來選擇我們所需要的數(shù)據(jù)字段，從而進行下一步的工作。

2. 如何在 TensorFlow 之中使用 CSV 數(shù)據(jù)

要在 TensorFlow 之中使用 CSV 數(shù)據(jù)進行訓練的話，我們大致需要經(jīng)過三個步驟：

• 獲取 CSV 數(shù)據(jù)文件；
• 將 csv 文件數(shù)據(jù)構(gòu)建為 TensorFlow 中的 dataset 格式；
• 對數(shù)據(jù)集合進行進一步的處理以便符合模型輸入的需求。

2.1 獲取 CSV 數(shù)據(jù)文件

這一步中我們要首先獲取到數(shù)據(jù)文件，獲取的方式各不相同。

如果要使用 TensorFlow 內(nèi)部的函數(shù) API 進行網(wǎng)絡(luò) CSV 數(shù)據(jù)文件的獲取，則我們可以通過以下 API 來實現(xiàn)數(shù)據(jù)集合的獲?。?/p>

file_path = tf.keras.utils.get_file("data.csv", DATA_URL)

其中第一個參數(shù)表示的是獲取的數(shù)據(jù)文件所保存的名字，而第二個參數(shù) DATA_URL 表示的是網(wǎng)絡(luò) CSV 文件的地址。同時該函數(shù)會將本地保存文件的目錄返回。

2.2 將 csv 文件數(shù)據(jù)構(gòu)建為 TensorFlow 中的 tf.dataset 格式

在這一步之中，我們需要使用到 TensorFlow 中的 API 函數(shù)來將 csv 格式的數(shù)據(jù)轉(zhuǎn)化為 TensorFlow 可以理解的數(shù)據(jù)形式，具體來說，我們可以通過以下API實現(xiàn)：

dataset = tf.data.experimental.make_csv_dataset(
      file_path, batch_size, label_name, na_value, num_epochs
    )

該API之中的幾個參數(shù)需要我們有所了解：

• file_path：CSV數(shù)據(jù)文件的路徑；
• batch_size：我們要劃分數(shù)據(jù)集合的批次大?。?/li>
• label_name：我們要進行預(yù)測的列；
• na_value：該API會將文件中的空白值替換為 na_value ；
• num_epochs：重復(fù)讀取該數(shù)據(jù)集合的數(shù)量，通常設(shè)置為 1，因為我們只需要讀取一遍數(shù)據(jù)集即可。

2.3 對數(shù)據(jù)集合進行進一步的處理以便符合模型輸入的需求

在該步驟之中，我們會對數(shù)據(jù)進行預(yù)處理，我們常見的預(yù)處理包括：

• 過濾掉無用數(shù)據(jù)；
• 指定數(shù)據(jù)的規(guī)模；
• 指定該數(shù)據(jù)中的離散值與連續(xù)值；
• 將離散值離散化。

這些數(shù)據(jù)的預(yù)處理方法我們會在后面的示例中實踐到。

3. CSV文件數(shù)據(jù)處理示例

在該示例之中，我們會采用公開數(shù)據(jù)集合：泰坦尼克生存數(shù)據(jù)集。該數(shù)據(jù)集合以CSV格式保存，同時也被 TensorFlow 納入為內(nèi)置數(shù)據(jù)集，因此使用較為方便。

該數(shù)據(jù)集合中包含了每個乘客的基本信息，比如名字、性別、年齡等，同時也包含了改乘客是否生還。我們所訓練的模型就是要根據(jù)乘客的基本信息來判斷改乘客最終是否生還。

import tensorflow as tf

# 獲取數(shù)據(jù)集
train_path = tf.keras.utils.get_file("train.csv",
            "https://storage.googleapis.com/tf-datasets/titanic/train.csv")
valid_path = tf.keras.utils.get_file("eval.csv",
            "https://storage.googleapis.com/tf-datasets/titanic/eval.csv")

# 通過CSV文件構(gòu)建數(shù)據(jù)集
train_data = tf.data.experimental.make_csv_dataset(train_path, batch_size=32,
        label_name='survived', na_value="?", num_epochs=1,
        ignore_errors=True )
valid_data = tf.data.experimental.make_csv_dataset(valid_path, batch_size=32,
        label_name='survived', na_value="?", num_epochs=1,
        ignore_errors=True )

# 定義離散列并進行處理
caetogries = {'sex': ['male', 'female'],
    'class' : ['First', 'Second', 'Third'],
    'deck' : ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J'],
    'embark_town' : ['Cherbourg', 'Southhampton', 'Queenstown'],
    'alone' : ['y', 'n']}
categorical_columns = []
for feature, vocab in caetogries.items():
    cat_col = tf.feature_column.categorical_column_with_vocabulary_list(
        key=feature, vocabulary_list=vocab)
    categorical_columns.append(tf.feature_column.indicator_column(cat_col))

# 定義連續(xù)列
numerical_names = {'age',
    'n_siblings_spouses',
    'parch',
    'fare'}
numerical_columns = []
for feature in numerical_names:
    num_col = tf.feature_column.numeric_column(feature)
    numerical_columns.append(num_col)

# 定義模型
model = tf.keras.Sequential([
    tf.keras.layers.DenseFeatures(categorical_columns + numerical_columns),
    tf.keras.layers.Dense(256, activation='relu'),
    tf.keras.layers.Dense(64, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid'),
])

model.compile(
    loss='binary_crossentropy',
    optimizer='adam',
    metrics=['accuracy'])

# 模型訓練
model.fit(train_data, epochs=20)

# 模型評估
model.evaluate(valid_data)

在該示例之中，我們首先獲取了 CSV 數(shù)據(jù)集合并且構(gòu)建了 dataset。然后我們便進行了至關(guān)重要的一步，我們對于離散數(shù)據(jù)和連續(xù)數(shù)據(jù)進行了預(yù)處理。

對于離散數(shù)據(jù)，我們進行了以下幾步處理：

• 定義離散列以及其可能的值（我們稱作字典）；
• 使用 tf.feature_column.categorical_column_with_vocabulary_list 這個函數(shù) API 構(gòu)建 TensorFlow 能夠識別的離散列；
• 將所有的離散列合在一起以待后面使用。

對于連續(xù)數(shù)據(jù)，我們同樣進行了以下幾步處理：

• 定義連續(xù)列；
• 使用 tf.feature_column.numeric_column 這個函數(shù) API 構(gòu)建 TensorFlow 能夠識別的連續(xù)列；
• 將所有的連續(xù)列合在一起以待后面使用。

最后在模型的第一層，我們添加了一個特征的預(yù)處理層，因為我們輸入的特征有的是連續(xù)值，有些是離散值，因此我們需要該層進行特征的預(yù)處理。

最后我們得到的輸出為：

Epoch 1/20
20/20 [==============================] - 0s 2ms/step - loss: 0.7948 - accuracy: 0.6459
......
Epoch 19/20
20/20 [==============================] - 0s 2ms/step - loss: 0.4619 - accuracy: 0.8022
Epoch 20/20
20/20 [==============================] - 0s 2ms/step - loss: 0.4661 - accuracy: 0.7990
9/9 [==============================] - 0s 2ms/step - loss: 0.4571 - accuracy: 0.7841
[0.45707935094833374, 0.7840909361839294]

于是我們可以看到，我們的模型最終在測試集合上達到了78.4%的準確率。

4. 小結(jié)

在該節(jié)課之中，我們學習了 CSV 的數(shù)據(jù)文件格式，同時了解了在 TensorFlow 之中如何處理該格式的數(shù)據(jù)。同時，我們也使用泰坦尼克數(shù)據(jù)集進行了實踐，最終達到了一個不錯的效果。