scikit-learn训练KNN时出现'TarFile' object is not subscriptable报错

触发TypeError的根本原因 #

• TarFile是Python标准库tarfile模块提供的压缩包操作句柄，本身不支持字典式键值下标访问，不存在通过tar['spam']取值的逻辑，因此直接对TarFile对象做下标取值必然抛出'TarFile' object is not subscriptable错误。
• 混淆了两类数据结构的用法：scikit-learn内置数据集接口返回的Bunch对象是支持通过['spam']/['target']键读取结构化特征、标签的，但enron1.tar.gz本身是存放原始邮件文本的目录打包压缩包，内部根本没有预设'spam'、'target'、'target_names'这些结构化键，不存在直接从压缩包里读取这些值的可能。
• 执行完全量解压、关闭TarFile对象后，依旧尝试通过原压缩包句柄获取数据，逻辑链路本身就是断裂的。
• 哪怕修正了上述访问错误，直接将原始邮件文本输入KNN分类器也会触发异常：KNN属于基于数值距离计算的模型，无法直接处理字符串格式的原始文本，必须先完成文本到数值特征的转换。

可落地的正确实现流程 #

• 完成tar.gz包解压后，直接操作本地解压生成的文件夹结构。标准Enron1数据集解压后会生成独立的enron1目录，目录下分设spam（垃圾邮件文本）、ham（正常邮件文本）两个子文件夹存放原始文件。
• 调用scikit-learn内置的load_files接口遍历目录读取文本，自动生成可支持键访问的结构化数据集：

  from sklearn.datasets import load_files
  # 替换为本地解压后enron1文件夹的实际路径
  enron_dataset = load_files("本地路径/enron1")
  # 此时返回的Bunch对象支持键访问，可直接获取对应内容
  raw_texts = enron_dataset.data
  labels = enron_dataset.target
  category_names = enron_dataset.target_names
  

• 补充文本特征转换、数据集划分、模型训练与准确率计算环节：

  from sklearn.feature_extraction.text import TfidfVectorizer
  from sklearn.model_selection import train_test_split
  from sklearn.neighbors import KNeighborsClassifier
  # 文本转TF-IDF数值特征矩阵
  tfidf_vectorizer = TfidfVectorizer()
  features = tfidf_vectorizer.fit_transform(raw_texts)
  # 按比例划分训练集、测试集
  X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2, random_state=42)
  # 训练KNN分类器并计算准确率
  knn_clf = KNeighborsClassifier()
  knn_clf.fit(X_train, y_train)
  train_accuracy = knn_clf.score(X_train, y_train)
  test_accuracy = knn_clf.score(X_test, y_test)
  

内容的提问来源于stack exchange，提问作者Calum Nairn