练习K近邻算法时触发pandas.errors.ParserError，请求排查原因

我在学习《Python机器学习教程》第14部分的K近邻（K Nearest Neighbors）应用时，使用breast-cancer-wisconsin.data.txt数据集运行以下代码，触发了错误：pandas.errors.ParserError: Error tokenizing data. C error: Expected 7 fields in line 3, saw 11。

我先梳理了你的问题，根源其实很明确：

错误原因 #

你把数据集内容和Python代码混在了同一个代码块/文件里！当pd.read_csv('breast-cancer-wisconsin.data.txt')执行时，它读取的文件里不仅有数据集的表头和数据行，还包含了import numpy as np这类代码行。pandas会把所有行都当成CSV数据来解析，代码行的字段数量和数据集的11个字段完全不匹配，自然就抛出了字段数量不匹配的ParserError。

解决方案 #

1. 分离数据集和代码
   把纯数据集内容单独保存为breast-cancer-wisconsin.data.txt文件，文件里只保留表头和数据行：

   id,clump_thickness,unif_cell_size,unif_cell_shape,marg_adhesion,single_epith_cell_size,bare_nuclei,bland_chrom,norm_nucleoli,mitoses,class
   1000025,5,1,1,1,2,1,3,1,1,2
   1002945,5,4,4,5,7,10,3,2,1,2
   1015425,3,1,1,1,2,2,3,1,1,2
   1016277,6,8,8,1,3,4,3,7,1,2
   1017023,4,1,1,3,2,1,3,1,1,2
   1017122,8,10,10,8,7,10,9,7,1,4
   

2. 修正代码文件
   把Python代码单独放在一个.py文件中，确保pd.read_csv指向的是正确的数据集文件路径。另外注意：scikit-learn的cross_validation模块已经被弃用，建议替换为model_selection，修正后的代码如下：

   import numpy as np
   from sklearn import preprocessing, model_selection, neighbors
   import pandas as pd
   
   df = pd.read_csv('breast-cancer-wisconsin.data.txt')
   df.replace('?', -99999, inplace=True)
   # df.drop(['id'], 1, inplace=True)
   X = np.array(df.drop(['class'], 1))
   y = np.array(df['class'])
   
   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.2)
   clf = neighbors.KNeighborsClassifier()
   clf.fit(X_train, y_train)
   accuracy = clf.score(X_test, y_test)
   print(accuracy)
   

3. 验证文件路径
   确保.py文件和breast-cancer-wisconsin.data.txt在同一个文件夹下，或者在pd.read_csv里填写完整的文件路径（比如'./data/breast-cancer-wisconsin.data.txt'）。

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