UCI数据集准备方式

UCI数据集准备方式

以Iris数据集为例

获取数据

下载数据

UCI数据集地址

进入Iris页面后，可以查看这个数据集的属性，包括样本数，特征数，适用于回归任务还是分类任务，以及是否有缺失值等等：

下载完成后会得到一个包含4个文件的压缩包，我们主要对iris.data进行处理

导入数据

对于data后缀文件，可以在matlab中打开查看格式：

在知道了数据集的大致内容后，可以使用fopen函数以二进制的形式对文件进行访问：

在得到了文件标识符后，使用textscan函数将已打开的文本文件中的数据读取到元胞数组中，同时更改formatSpec参数，使读取数据的方式与转换设定符相匹配：

f=fopen('iris.data');% 打开文件
data=textscan(f,'%f,%f,%f,%f,%s'); % 读取数据
% 一个数据类型为一个元胞

% data =
% 
%   1×5 cell 数组
% 
%   列 1 至 3
% 
%     {150×1 double}    {150×1 double}    {150×1 double}
% 
%   列 4 至 5
% 
%     {150×1 double}    {150×1 cell}
fclose(f);

对数据进行处理

因为iris数据集最后一列是类别信息，前面都是特征的数据信息，我们对他们进行分开处理：

d_list=[]; % d_list中存放属性值
for i=1:length(data)-1
    d_list=[d_list data{1,i}];
end

label=data{1,length(data)};
% label存放data元胞的最后一列属性

根据label元胞数组的类别信息，找到对应每个类别的索引：

n1=0;n2=0;n3=0;
for j=1:length(label)
   if strcmp(label{j,1},'Iris-setosa')
       n1=n1+1;
       index_1(n1)=j;% 记录“Iris-setosa”类的索引
   elseif strcmp(label{j,1},'Iris-versicolor')
       n2=n2+1;
       index_2(n2)=j;% 记录“Iris-versicolor”类的索引
   elseif strcmp(label{j,1},'Iris-virginica')
       n3=n3+1;
       index_3(n3)=j;% 记录“Iris-virginica”类的索引
   end
end

按照index索引对d_list数据进行重新排序：

class_1=d_list(index_1,:);
class_2=d_list(index_2,:);
class_3=d_list(index_3,:);
new_list=[class_1;class_2;class_3];

根据index的类别为new_list数据添加新的标签列，以数字1代表类别setosa，数字2代表类别versicolor，3代表virginica，保存新的数据文件：

I=[1*ones(n1,1);2*ones(n2,1);3*ones(n3,1)];
Iris=[I new_list];% 为各类添加数字标记

保存整理好的数据集

save Iris.mat Iris % 保存.mat文件
save Iris -ascii Iris; % 保存data文件

整理好的Iris数据集