使用 pandas 来自 .data、.names 和 .test 文件的数据帧

Question

我正在尝试处理成人数据集，可在 this link.

获得

目前我被卡住了，因为我能够抓取的数据是我不完全了解的格式。因此，下载文件后，我无法正确获取包含下载文件的 pandas 数据框。

我可以使用以下链接从 UCI 下载 3 个文件：

data = 'https://archive.ics.uci.edu/ml/machine-learning-databases/adult/adult.data'  
names = 'https://archive.ics.uci.edu/ml/machine-learning-databases/adult/adult.names'
test = 'https://archive.ics.uci.edu/ml/machine-learning-databases/adult/adult.test'

格式分别为.data、.names、.test。我一直使用 .csv 格式工作，因此我对这些格式有点困惑。

如何获得包含训练数据（= 数据 + 名称）的 pandas 数据框和包含测试数据（= 测试 + 名称）的 pandas 数据框？

此代码无法完全运行：

train_df = pd.read_csv(r'./adult.data', header=None)
train_df.head()  # WORKING (without column names)

df_names = df = pd.read_csv(r'./adult.names')
df_names.head()  # ERROR

test_df = pd.read_csv(r'./adult.test')
test_df.head()  # ERROR

Answer 1

您可以像这样使用 pandas 来实现：

import pandas as pd
# reading csv files
data =  pd.read_csv('adult.data', sep=",")
print(data)


names =  pd.read_csv('adult.names', sep="\t")
print(names)

test =  pd.read_csv('adult.test', sep="\t")
print(test)

Answer 2

使用：

import pandas as pd
import re

# adult.names
with open('adult.names') as fp:
    cols = []
    for line in fp:
        sre = re.match(r'(?P<colname>[a-z\-]+):.*\.', line)
        if sre:
            cols.append(sre.group('colname'))
    cols.append('label')

# Python > 3.8, walrus operator
# with open('adult.names') as fp:
#     cols = [sre.group('colname') for line in fp
#                 if (sre := re.match(r'(?P<colname>[a-z\-]+):.*\.', line))]
#     cols.append('label')

options = {'header': None, 'names': cols, 'skipinitialspace': True}

# adult.data
train_df = pd.read_csv('adult.data', **options)

# adult.test
test_df = pd.read_csv('adult.test', skiprows=1, **options)
test_df['label'] = test_df['label'].str.rstrip('.')

使用 pandas 来自 .data、.names 和 .test 文件的数据帧

Dataframes from .data, .names and .test files using pandas

python

import

dataframe

pandas

uci