创建数据集方法

一、基础数据准备

训练所需要的数据集合都存储在数据库中，还有部分文本文件
首先对数据进行分类结构化存储[因为涉及到的是多分类问题]

二、整理并存储原始数据集

1、使用numpy将所有需要数据读取出来

splitlines()  ==> 按照\r \n 或者\r\n分割

import numpy as np
import pandas as pd
values1 = np.array(open(r'text1.txt', 'r', encoding='utf-8').read().splitlines())
values2 = np.random.choice(open(r'text2.txt', 'r', encoding='utf-8').read().splitlines(),100000) 

2、设计标识符

label_map = {
    1: 'values1',
    2: 'values2',
}

3、将所有数据进行拼接

data = np.concatenate([values1,values2])

4、生产相应数量的标识

lable = np.concatenate([np.array([4]*len(values1)),np.array([5]*len(values2))])

5、生成DataFrame数据结构

df = pd.DataFrame({"data":data,"lable":lable})

6、提取数据结构中多余的字符

df.replace('\r|\n|!', '', inplace=True, regex=True)

7、将整合后的原始数据存储为csv文件

df.to_csv("dataset.csv",sep="!",index=False,header=False)

三、使数据集向量化

from keras.preprocessing.sequence import pad_sequences  # 对序列进行预处理生成长度相同的序列
from keras.utils.np_utils import to_categorical  # 将标签转换为 one-hot 编码

1、对每个字符进行old操作

def process(s: str):
    s = str(s).lower()
    return [ord(c) for c in s]
data = df['data'].apply(process).values

2、将序列处理成相同长度的数组

MAX_SEQUENCE_LENGTH = 30
data = pad_sequences(data, maxlen=MAX_SEQUENCE_LENGTH,dtype='int',padding='post',truncating='post')

3、去除数组内重复数字并进行排序之后输出

palette = np.unique(data)

4、获取每个字符在palette中的位置

data = np.digitize(data, palette, right=True)

5、将标签转化为 one-hot 编码

labels = to_categorical(df['lable'].values)

6、划分训练子集与测试子集

from sklearn.model_selection import train_test_split
train_data, val_data, train_label, val_label = train_test_split(data, labels, test_size=0.2, random_state=42)
print('train data shape: ', train_data.shape, '   train label shape: ', train_label.shape)
print('val data shape: ', val_data.shape, '   val label shape: ', val_label.shape)