Matlab中快速导入UCI数据集中后缀为.data的文件数据

---

前言

最近在学习聚类算法的时候需要用到一些数据集，例如使用UCI数据集进行聚类测试。

但是在聚类的时候出现了一个问题：将数据集中后缀为.data格式的文件数据导入到matlab时费了不少功夫，尝试了众多方法如'importdata'、'textread'、'csvread'、'load'等内置函数效果都不太理想。

最终改变思路解决了这个问题，在此做个记录与分享。

一、UCI数据集下载

UCI官网： UCI Machine Learning Repository

可以在官网下载自己所需的数据集，以常见的iris数据集为例，下载解压后文件夹内容如下图所示

​

其中iris.data文件即为我们所需要的数据文件。

二、数据导入

iris.data文件中可能同时包含数字与字符串，如图所示，这里只展示了部分数据。（如何打开data文件查看其中的内容呢，尤其是在没有安装相对应的软件的情况下，方法也很简单：在“打开方式”中选择“记事本”即可。）

​

iris数据集共有150个数据，分属三个不同类别。对于每一行元素而言，前4个数据代表4个不同维度的特征，第5个字符串则类别。

对于这种类型的数据文件，常规的导入方法是不太行得通的。

在这里分享一下我的方法：

1.将.data文件转换为后缀为.txt的文本文件。如何转换：新建一个txt文件，这里依旧命名为iris，将.data文件的内容复制至这个txt文件中，如图所示：

​

2.打开matlab（我的版本是2022b），使用'readtable'函数将新建的txt文件读入到matlab的工作区中，代码如下：

Table = readtable('iris.txt');%初步导入数据集，命名为Table

此时，Table是一个包含有iris数据集所有元素的表格，如图所示，这里同样只展示了部分数据。

​

3.初步导入数据集以后又会有新的问题，以Table为例，该表的第5列是数据类别，并不是所需要的数据，并且由于元素类型的不同，并不能直接将该table转换为常见的矩阵。

为了方便使用数据以及后续进行指标评价，可以将Table中的类别所在列摘除，使其单独作为一个数组存放数据类别，此时表格中剩余的元素均为相同类型，可以较为简便地将该表格转换为常见的矩阵以进行后续的运算。

代码如下：

Class = Table(:,end);%Class为类别列
Table(:,end) = [];%去掉Table中的类别列
DataSet = table2array(Table);%将此时的Table直接转换为数值矩阵

最终的效果如图所示：

​

​

三、实例

以模糊C均值算法(FCM)对iris数据集进行聚类为例，代码如下：

%% 加载数据
Table = readtable('iris\iris.txt');
Class = Table(:,end);
Table(:,end) = [];
DataSet = table2array(Table);

X = DataSet;
%% 进行模糊C均值聚类
% 设置幂指数为3，最大迭代次数为20，目标函数的终止容限为1e-6
options=[3,20,1e-6,0];
% 调用fcm函数进行模糊C均值聚类，返回类中心坐标矩阵center，隶属度矩阵U，目标函数值obj_fcn
cn=3; %聚类数
[center,U,obj_fcn]=fcm(X,cn,options);
Jb=obj_fcn(end)
maxU = max(U);
index1 = find(U(1,:) == maxU);
index2 = find(U(2, :) == maxU);
index3 = find(U(3, :) == maxU);

该数据集最终被分为了3类，如图所示：

​

可看出FCM算法对该数据集的聚类结果还是存在一些偏差（原数据集中各类别分别占50个），此时可以对聚类指标进行一些评价，此处省略......。

四、补充

1.数据集文件夹中后缀为.names的文件存放着数据集的具体信息，如图所示。打开方式同.data文件。

​

​

2.不同数据集的.data文件的数据存放方式有所不同，导入时要注意灵活变通。如wine数据集中数据类别存放在第一列：

​

此时在导入数据时应将表格中的第一列摘除，在代码中将

Table(:,end) = [];%去掉Table中的类别列

变为

Table(:,1) = [];%去掉Table中的类别列

即可导入数据。

---

总结

这是我琢磨出来的一个将.data数据导入到matlab的一个办法，个人认为比较简便，有更好方法的欢迎进行交流~~~