DataSet代码

//SqlConnection connection = new SqlConnection(@"Data Source=(local);Integrated Security=SSPI;"+"Initial Catalog=NorthWind");
            //connection.Open();
            //SqlCommand command = connection.CreateCommand();
            //command.CommandText = "select CategoryID,CategoryName from Categories";

            //SqlDataReader reader = command.ExecuteReader();

            //while (reader.Read())
            //{
            //    Console.WriteLine("what do you see:{0}/t{1}",reader["CategoryID"],reader["CategoryName"]);
            //}
            //reader.Close();
            //connection.Close();  

            SqlConnection connection = new SqlConnection(@"Data Source=(local);Initial Catalog=zl;user id = admin;pwd=admin");
            connection.Open();
            SqlDataAdapter adapter = new SqlDataAdapter("select * from TradeTree",connection);
            SqlCommandBuilder builder = new SqlCommandBuilder(adapter);
            DataSet dataSet = new DataSet();

            adapter.Fill(dataSet,"TradeTree");
            Console.WriteLine("{0}", dataSet.Tables["TradeTree"].Rows[1]["ID"]);
            dataSet.Tables["TradeTree"].Rows[1]["name"] = "MyChange";
            Console.WriteLine("{0}",dataSet.Tables["TradeTree"].Rows[1]["name"]);
            connection.Close();

### 如何用Python编写简单的数据集代码示例 为了创建一个简易的数据集,在 Python 中通常会利用 `torch.utils.data.Dataset` 类来自定义数据集。下面展示了一个具体的例子,该例子模拟了文本文件中的数据读取过程并将其转换成 PyTorch 数据集。 #### 自定义数据集类 通过继承 `torch.utils.data.Dataset` 并重写两个必要的方法——`__len__()` 和 `__getitem__()`, 可以构建自定义数据集[^1]: ```python from torch.utils.data import Dataset class SimpleDataset(Dataset): def __init__(self, file_path): with open(file_path, 'r', encoding='utf-8') as f: lines = f.readlines() # 假设每行代表一条记录,并且是以逗号分隔的特征值和标签 self.dataset = [ (line.strip().split(',')[0:-1], line.strip().split(',')[-1]) for line in lines] def __len__(self): return len(self.dataset) def __getitem__(self, idx): features, label = self.dataset[idx] # 这里假设features是数值型列表可以直接转为float类型, # 如果不是则需做适当处理 return {'input': list(map(float, features)), 'target': float(label)} ``` 这段代码实现了从指定路径下的文本文件中读入数据,并将每一行解析为输入特征向量及其对应的类别标签。注意这里的简化处理仅适用于特定格式的数据;实际应用时可能需要更复杂的预处理逻辑来适应不同的数据源。 #### 使用 DataLoader 加载数据 一旦有了上述自定义的数据集类之后,就可以很方便地借助 `DataLoader` 来批量加载这些数据用于后续训练或测试阶段: ```python from torch.utils.data import DataLoader simple_dataset = SimpleDataset('path_to_your_data_file.txt') loader = DataLoader(simple_dataset, batch_size=4, shuffle=True) for batch_idx, sample_batched in enumerate(loader): inputs, targets = sample_batched['input'], sample_batched['target'] print(f'Batch {batch_idx}: Inputs={inputs}, Targets={targets}') ``` 此部分代码片段展示了如何实例化之前定义好的 `SimpleDataset` 对象以及怎样配置 `DataLoader` 的参数选项(比如批次大小、是否打乱顺序)。最后还给出了遍历整个数据装载器的一个简单循环结构作为示范。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值