如何在TensorFlow-Python中读取.xls文件并转换为Dataset

嘿，我来帮你搞定这个把.xls文件转成TensorFlow Dataset的问题！其实整个流程很清晰，我给你一步步拆解：

步骤1：安装必要的依赖库 #

首先得装几个工具库，用来读取Excel文件、处理数据以及构建TensorFlow数据集：

pip install pandas xlrd tensorflow scikit-learn

小贴士：xlrd是专门用来读取旧格式.xls文件的库，scikit-learn是用来处理标签编码的可选工具（如果你的标签是字符串类型的话）。

步骤2：读取Excel中的数据 #

你提到的这个BreastTissue数据集，Excel文件里有两个工作表：第一个是说明文档，实际训练数据在第二个工作表（索引为1）。所以读取的时候要指定sheet参数：

import pandas as pd

# 读取Excel里的实际数据工作表
df = pd.read_excel("BreastTissue.xls", sheet_name=1)

# 可以先打印前几行确认数据读取正确
print(df.head())

步骤3：分离特征与标签并预处理 #

这个数据集里的Class列是我们要预测的目标标签，其他列都是输入特征。先把它们分开：

# 提取所有特征（去掉Class列）
features = df.drop(columns=["Class"]).values
# 提取标签列
labels = df["Class"].values

因为标签是字符串类型（比如car、fad这类类别），模型没法直接处理，所以我们用标签编码把它们转成整数：

from sklearn.preprocessing import LabelEncoder

label_encoder = LabelEncoder()
# 对标签进行编码，把字符串转成整数
encoded_labels = label_encoder.fit_transform(labels)

步骤4：转换为TensorFlow Dataset #

现在就可以把预处理好的特征和标签转换成TensorFlow Dataset了，之后还可以做打乱、分批这些常规操作：

import tensorflow as tf

# 从numpy数组创建Dataset
dataset = tf.data.Dataset.from_tensor_slices((features, encoded_labels))

# 打乱数据并设置批次大小（这里设为32，你可以根据需求调整）
dataset = dataset.shuffle(buffer_size=len(df)).batch(32)

# 可以取一个批次验证一下
for batch_features, batch_labels in dataset.take(1):
    print("单批次特征形状:", batch_features.shape)
    print("单批次标签形状:", batch_labels.shape)

额外提示：处理超大型Excel文件 #

如果你的Excel文件特别大，没法一次性全部读入内存，建议先把.xls文件导出成.csv格式（用Excel本身或者pandas的df.to_csv()都可以），然后用TensorFlow的tf.data.experimental.make_csv_dataset来流式读取，这样能节省内存，效率更高。

内容的提问来源于stack exchange，提问作者Misieq