C++实现用户分组--学习

第一步实现：ETL的设计分三部分：数据抽取(Data Extraction)、数据的清洗转换(Data Transformation)、数据的加载(Data Loading).

构建一个数据容器类，其中包含转换后的MNIST手写数据。还实现了一个数据处理程序，该数据处理程序将提取并转换数据以供将来的算法实现使用。

#ifndef __DATA_H
#define __DATA_H#include <iostream>
#include <vector>
#include "stdint.h"
#include "stdio.h"// 数据类
class data
{std::vector<uint8_t>* feature_vector; // 特征向量uint8_t label; // 标签int enum_label; // 枚举标签 A->1, B->2, C->3, D->4, E->5, F->6, G->7, H->8, I->9, J->10public:data(); // 构造函数~data(); // 析构函数void set_feature_vector(std::vector<uint8_t> *); // 设置特征向量void append_to_feature_vector(uint8_t); // 向特征向量追加数据void set_label(uint8_t); // 设置标签void set_enum_label(int); // 设置枚举标签int get_feature_vector_size(); // 获取特征向量大小uint8_t get_label(); // 获取标签uint8_t get_enumerated_label(); // 获取枚举标签std::vector<uint8_t>* get_feature_vector(); // 获取特征向量};#endif

这段代码定义了一个名为 data 的类，用于处理特征向量和标签。首先，代码使用了头文件保护机制，通过 #ifndef、#define 和 #endif 来防止重复包含头文件 data.hpp。

在 data 类中，有三个私有成员变量：feature_vector 是一个指向 std::vector<uint8_t> 的指针，用于存储特征向量；label 是一个 uint8_t 类型的变量，用于存储标签；enum_label 是一个整数，用于存储枚举标签，注释中说明了不同字符对应的整数值（例如，A 对应 1，B 对应 2，依此类推）。

在公共成员函数部分，data 类提供了一些方法来操作和访问这些成员变量：

• void set_feature_vector(std::vector<uint8_t> *)：设置特征向量的指针。
• void append_to_feature_vector(uint8_t)：向特征向量中追加一个 uint8_t 类型的值。
• void set_label(uint8_t)：设置标签。
• void set_enum_label(int)：设置枚举标签。

此外，还有一些方法用于获取成员变量的值：

• int get_feature_vector_size()：获取特征向量的大小。
• uint8_t get_label()：获取标签。
• uint8_t get_enumerated_label()：获取枚举标签。
• std::vector<uint8_t>* get_feature_vector()：获取特征向量的指针。

这些方法使得 data 类能够灵活地操作和访问特征向量和标签，适用于需要处理大量数据的场景。

#include "data.hpp"data::data(){feature_vector = new std::vector<uint8_t>;
}data::~data()
{delete feature_vector;
}void data::set_feature_vector(std::vector<uint8_t> *vect)
{feature_vector = vect;
}void data::append_to_feature_vector(uint8_t val)
{feature_vector->push_back(val);
}void data::set_label(uint8_t val)
{label = val;
}void data::set_enum_label(int val)
{enum_label = val;
}int data::get_feature_vector_size()
{return feature_vector->size();
}uint8_t data::get_label()
{return label;
}
uint8_t data::get_enumerated_label()
{return enum_label;
}std::vector<uint8_t>* data::get_feature_vector()
{return feature_vector;
}

这段代码实现了 data 类的构造函数、析构函数以及多个成员函数。首先，代码包含了头文件 data.hpp，以确保类的声明可用。

构造函数 data::data() 初始化了 feature_vector，为其分配了一个新的 std::vector<uint8_t> 对象。析构函数 data::~data() 则负责释放该内存，防止内存泄漏。

set_feature_vector 方法接受一个指向 std::vector<uint8_t> 的指针，并将其赋值给 feature_vector。append_to_feature_vector 方法向 feature_vector 中追加一个 uint8_t 类型的值。

set_label 和 set_enum_label 方法分别设置 label 和 enum_label 的值。

get_feature_vector_size 方法返回 feature_vector 的大小。get_label 和 get_enumerated_label 方法分别返回 label 和 enum_label 的值。最后，get_feature_vector 方法返回 feature_vector 的指针。

总体来说，这段代码实现了 data 类的基本功能，使其能够管理和操作特征向量和标签。

2.处理数据

#ifndef __DATA_HANDLER_H
#define __DATA_HANDLER_H#include<fstream>
#include "stdint.h"
#include"data.hpp"
#include<vector>
#include<string>
#include<map>
#include<unordered_set>// 数据处理类
class data_handler
{std::vector<data *> *data_array; // 数据数组std::vector<data *> *training_data; // 训练数据std::vector<data *> *testing_data; // 测试数据std::vector<data *> *validation_data; // 验证数据int num_classes; // 类别数量int feature_vector_size; // 特征向量大小std::map<uint8_t, int> class_map; // 类别映射const double TRAIN_SET_PERCENTAGE = 0.75; // 训练集比例const double TEST_SET_PERCENTAGE = 0.20; // 测试集比例const double VALIDATION_SET_PERCENTAGE = 0.05; // 验证集比例public:data_handler(); // 构造函数~data_handler(); // 析构函数void read_feature_vector(std::string path); // 读取特征向量void read_label_vector(std::string path); // 读取标签向量void split_data(); // 分割数据void count_classes(); // 统计类别数量uint32_t convert_to_little_endian(const unsigned char* bytes); // 转换为小端序std::vector<data *> *get_training_data(); // 获取训练数据std::vector<data *> *get_testing_data(); // 获取测试数据std::vector<data *> *get_validation_data(); // 获取验证数据};#endif

这个类名为 data_handler，用于处理数据集的读取、分割和分类等操作。以下是对该类的详细解释：

成员变量

1. std::vector<data *> *data_array：

   • 指向一个 std::vector 容器的指针，该容器存储了所有的数据对象的指针。

2. std::vector<data *> *training_data：

   • 指向一个 std::vector 容器的指针，该容器存储了训练数据集的数据对象的指针。

3. std::vector<data *> *testing_data：

   • 指向一个 std::vector 容器的指针，该容器存储了测试数据集的数据对象的指针。

4. std::vector<data *> *validation_data：

   • 指向一个 std::vector 容器的指针，该容器存储了验证数据集的数据对象的指针。

5. int num_classes：

   • 存储数据集中类别的数量。

6. int feature_vector_size：

   • 存储特征向量的大小。

7. std::map<uint8_t, int> class_map：

   • 一个映射，用于将类别标签（uint8_t 类型）映射到整数值。

8. const double TRAIN_SET_PERCENTAGE：

   • 常量，表示训练数据集所占的比例，值为 0.75。

9. const double TEST_SET_PERCENTAGE：

   • 常量，表示测试数据集所占的比例，值为 0.20。

10. const double VALIDATION_SET_PERCENTAGE：

    • 常量，表示验证数据集所占的比例，值为 0.05。

构造函数和析构函数

1. data_handler()：

   • 构造函数，用于初始化 data_handler 对象。

2. ~data_handler()：

   • 析构函数，用于释放 data_handler 对象所占用的资源。

成员函数

1. void read_feature_vector(std::string path)：

   • 从指定路径读取特征向量数据。

2. void read_label_vector(std::string path)：

   • 从指定路径读取标签数据。

3. void split_data()：

   • 将数据集分割为训练集、测试集和验证集。

4. void count_classes()：

   • 统计数据集中各个类别的数量。

5. uint32_t convert_to_little_endian(const unsigned char* bytes)：

   • 将字节数组转换为小端格式的 uint32_t 类型。

6. std::vector<data *> *get_training_data()：

   • 返回指向训练数据集的指针。

7. std::vector<data *> *get_testing_data()：

   • 返回指向测试数据集的指针。

8. std::vector<data *> *get_validation_data()：

   • 返回指向验证数据集的指针。

总结

data_handler 类提供了一系列方法，用于读取数据、分割数据集、统计类别数量以及获取训练集、测试集和验证集。通过这些方法，可以方便地管理和处理数据集，适用于机器学习和数据分析等场景。