Очень важно сохранить подготовленные наборы данных для будущего использования или обмена с другими.
Оглавление:
∘ Введение:
∘ 1. Загрузить набор данных
∘ 2. Подготовьте набор данных:
∘ 3. Сохраните подготовленные данные
∘ (1) Сохранить как Pandas DataFrame
∘ (2) Сохранить как массивы NumPy:
∘ (3) Сохранить как файл HDF5:< br /> ∘ (4) Сохранить как наборы данных TensorFlow:
∘ (5) Сохранить как файл рассола
∘ 4. Загрузить сохраненную дату назад
∘ (1) Загрузить файлы CSV:
∘ (2) Загрузка из массивов NumPy:
∘ (3) Загрузка из файлов HDF5:
∘ (4) Загрузка из наборов данных TensorFlow:
∘ (5) Загрузка из файлов pickle:
∘ 5. Преимущества и недостатки различных форматов файлов
∘ (1) файлы CSV:
∘ (2) массивы NumPy:
∘ (3) файлы HDF5:
∘ (4) Наборы данных TensorFlow:
∘ (5) Pickle Files:
∘ Вывод:
Введение:
При работе с подготовленными наборами данных важно сохранять их для дальнейшего использования или обмена с другими. Существуют различные методы сохранения подготовленных данных, включая входные последовательности, выходные последовательности, проверочные и тестовые наборы, а также любые сопутствующие объекты, такие как масштабаторы. Каждый метод предлагает свои преимущества и соображения, в зависимости от характера данных и предполагаемого использования. В этом ответе мы рассмотрим практические методы, такие как сохранение в виде файлов CSV, массивов NumPy, файлов HDF5 и использование файлов рассола. Теперь давайте подытожим обсуждаемые методы и сделаем выводы об их преимуществах, используя набор данных apple_share_price.csv.
1. Загрузите набор данных
Вы можете начать с загрузки набора данных с предоставленного URL-адреса, используя такие библиотеки, как pandas или numpy. Вот пример:
import pandas as pd
url =
…