要在Python中加载位于 `/home/thislab/20news-19997.tar.gz` 的数据集，我们可以采用之前提到的方法：先解压这个 `.tar.gz` 文件，然后再根据其内部包含的文件类型（如文本、图片或其他格式），选择适当的方式来加载数据。 以下是详细的步骤说明及对应的代码示例： --- ### 步骤 1: 导入必要的模块 我们需要用到 `tarfile` 模块来处理 `.tar.gz` 压缩文件，以及其它可能涉及到的数据读取模块，比如 `os`, `pandas`, 或者其他适合处理您数据集内容的库。 ```python import os import tarfile from sklearn.datasets import load_files # 如果后续需要使用 scikit-learn 进一步处理 ``` --- ### 步骤 2: 解压 .tar.gz 文件 我们通过 `tarfile.open()` 方法打开并解压文件至指定位置。假设我们将解压后的数据放到同一个目录下的子文件夹 `20news-extracted` 中。 ```python # 定义输入路径和输出路径 input_tar_gz_path = "/home/thislab/20news-19997.tar.gz" output_extracted_dir = "/home/thislab/20news-extracted" # 创建用于存储解压后文件的目标目录 (如果不存在) if not os.path.exists(output_extracted_dir): os.makedirs(output_extracted_dir) # 开始解压过程 with tarfile.open(input_tar_gz_path, 'r:gz') as tar: tar.extractall(path=output_extracted_dir) # 将所有内容都解压到这里 print(f"已成功将 {input_tar_gz_path} 解压到 {output_extracted_dir}") ``` 运行此段代码后，原始压缩包中的所有文件会被释放出来放在目标目录里等待下一步操作了~ --- ### 步骤 3: 加载数据集 对于像 20 Newsgroups 数据集这种纯文本类型的资料而言，可以直接使用 Scikit-Learn 自带的功能轻松搞定加载任务。它会自动递归遍历给定根目录及其下各级子文件夹里的每一篇文章作为独立样本返回给我们供训练测试划分之用哦！ ```python dataset = load_files(output_extracted_dir, categories=None, shuffle=True, encoding='utf-8', decode_error='ignore') # 查看基本统计信息 print("类别总数:", len(dataset.target_names)) print("样本文档数:", len(dataset.data)) for i in range(5): # 输出前五个文档标题与简短正文片段便于观察验证效果如何 print("\n第{}篇文章:".format(i+1), dataset.filenames[i]) print("所属主题类别:", dataset.target_names[dataset.target[i]]) print("文章开头部分内容:\n", dataset.data[i][:40], "...") ``` 这样就完成了整个从本地磁盘上获取该新闻组集合的操作啦～ --- ### 总结提示： 需要注意的是，在实际项目实践中可能会遇到一些字符编码异常之类的小麻烦，因此我们在调用 `load_files` 函数的时候特别指定了参数 `encoding='utf-8'` 和 `decode_error='ignore'` 来尽量避免这些问题干扰正常的程序流程走向。 此外，由于每个项目的特殊性和需求差异较大，请务必根据自己手头现有的确切资源状况做出合理修改调整以满足最终目的所需～