如何将元组列表转换为tensorflow.keras.model.fit()可用的x、y参数

完全可以不使用numpy、pandas完成转换，仅通过原生Python语法+TensorFlow自带API即可实现，以下是两种常用实现方式：

方法1：小数据集直接拆分转张量 #

适合数据量不大，可一次性加载到内存的场景：

import tensorflow as tf

# 你的原始元组列表
raw_data = [
    (9999, [1.23, 3.12, -0.232, 4.56]),
    (8888, [2.34, 5.67, -1.234, 7.89]),
    # 其他样本...
]

# 原生列表推导拆分特征和标签，无额外第三方库依赖
x_raw = [sample[1] for sample in raw_data]
y_raw = [sample[0] for sample in raw_data]

# 转成TensorFlow张量，可直接传入fit方法
x = tf.constant(x_raw, dtype=tf.float32)
y = tf.constant(y_raw, dtype=tf.int32) # 回归任务可改为tf.float32

# 训练调用示例
# model.fit(x, y, batch_size=32, epochs=10)

方法2：大数据集用tf.data.Dataset构建 #

适合数据量较大，需要流式加载、分批处理的场景，内存占用更低：

import tensorflow as tf

raw_data = [
    (9999, [1.23, 3.12, -0.232, 4.56]),
    (8888, [2.34, 5.67, -1.234, 7.89]),
    # 其他样本...
]

# 从原生列表生成Dataset
ds = tf.data.Dataset.from_generator(
    generator=lambda: raw_data,
    output_signature=(
        tf.TensorSpec(shape=(), dtype=tf.int32), # 标签的形状、类型
        tf.TensorSpec(shape=(4,), dtype=tf.float32) # 特征的形状、类型，按你实际的特征长度修改
    )
)

# 交换顺序为（特征，标签），符合fit对Dataset输入的要求
ds = ds.map(lambda label, feature: (feature, label))

# 可选：打乱、分批、预取优化
ds = ds.shuffle(buffer_size=len(raw_data)).batch(32).prefetch(tf.data.AUTOTUNE)

# 训练调用示例
# model.fit(ds, epochs=10)

注意事项 #

• 所有样本的特征列表长度必须一致，否则转张量/构建Dataset时会报错
• 标签的dtype可根据任务调整：分类任务用整数类型，回归任务用浮点类型

内容的提问来源于stack exchange，提问作者Zach