如何将纯图像数据集转换为包含文件路径和标签的DataFrame？

方法一：利用sklearn的load_files正确构造DataFrame #

sklearn的load_files返回的是Bunch对象，内置filenames（文件路径）、target（标签索引）、target_names（标签名称）等属性，直接提取这些属性即可构造符合需求的DataFrame：

完整代码示例 #

import pandas as pd
from sklearn.datasets import load_files

# 加载数据集（替换为你的实际路径）
data = load_files("path/to/your/image_dataset")

# 构造包含文件路径和标签的字典
df_dict = {
    "file_path": data.filenames,
    # 直接映射为标签名称，也可保留label_index字段存储数字索引
    "label": [data.target_names[idx] for idx in data.target]
}

# 转换为DataFrame
image_df = pd.DataFrame(df_dict)

# 查看前5条数据验证结果
print(image_df.head())

关键注意点 #

load_files要求数据集必须按类别分文件夹，结构示例如下：

image_dataset/
    cat/
        cat1.jpg
        cat2.jpg
    dog/
        dog1.jpg
        dog2.jpg

如果你的数据集结构不符合此要求，load_files无法正确识别标签，建议使用下面的手动遍历方法。

方法二：手动遍历文件构造DataFrame（适用于任意结构的数据集） #

若数据集未按类别分文件夹，或load_files无法正常工作，可通过os.walk手动遍历所有图像文件，同时按需提取标签：

完整代码示例 #

import os
import pandas as pd

dataset_path = "path/to/your/image_dataset"
file_paths = []
labels = []

# 遍历所有常见格式的图像文件
for root, _, files in os.walk(dataset_path):
    for file in files:
        if file.lower().endswith(('.png', '.jpg', '.jpeg', '.bmp', '.gif')):
            file_paths.append(os.path.abspath(os.path.join(root, file)))
            # 若子文件夹名为标签，提取根目录最后一级作为标签；无标签则替换为labels.append(None)
            labels.append(os.path.basename(root))

# 构造DataFrame
image_df = pd.DataFrame({
    "file_path": file_paths,
    "label": labels
})

# 查看前5条数据验证结果
print(image_df.head())

内容的提问来源于stack exchange，提问作者neonbones