Day 42 Dataset 和 Dataloader 类-育师

@浙大疏锦行

一、核心定位

类	核心角色	核心作用
`Dataset`	「数据容器」/「数据加工厂」	定义单条数据的读取、预处理逻辑（如从 CSV 读一行、编码、填充、标准化），支持按索引取数
`DataLoader`	「数据搬运工」/「批量调度器」	封装`Dataset`，实现批量加载、数据打乱、多线程读取、分批迭代，解决显存和效率问题

简单来说：

Dataset解决 “单条数据怎么来” 的问题；
DataLoader解决 “怎么把数据批量喂给模型” 的问题。

二、`Dataset`类详解

PyTorch 提供了内置Dataset（如TensorDataset、ImageFolder），但实际项目中，必须自定义Dataset，需继承torch.utils.data.Dataset并实现两个核心方法：

__len__()：返回数据集的总条数（让DataLoader知道有多少数据）；
__getitem__(idx)：根据索引idx返回单条数据（特征 + 标签），是预处理的核心。

1. 自定义`Dataset`实战

import torch from torch.utils.data import Dataset, DataLoader import pandas as pd import numpy as np from sklearn.preprocessing import StandardScaler class CreditDefaultDataset(Dataset): """ 信用违约预测自定义Dataset :param data_path: CSV数据路径 :param is_train: 是否为训练集（用于区分训练/测试的标准化） :param scaler: 标准化器（训练集拟合，测试集复用） """ def __init__(self, data_path, is_train=True, scaler=None): self.data_path = data_path self.is_train = is_train self.scaler = scaler # 1. 读取数据 + 预处理（复用你之前的逻辑） self.data = self._preprocess_data() # 2. 分离特征和标签 self.X = self.data.drop(['Credit Default'], axis=1).values # 特征数组 self.y = self.data['Credit Default'].values # 标签数组 # 3. 标准化（训练集拟合scaler，测试集复用） if self.is_train: self.scaler = StandardScaler() self.X = self.scaler.fit_transform(self.X) else: assert self.scaler is not None, "测试集必须传入训练集的scaler！" self.X = self.scaler.transform(self.X) def _preprocess_data(self): """封装你之前的预处理逻辑（编码、填充缺失值）""" data = pd.read_csv(self.data_path) data2 = pd.read_csv(self.data_path) # 1. 字符串变量编码 # Home Ownership 标签编码 home_mapping = {'Own Home':1, 'Rent':2, 'Have Mortgage':3, 'Home Mortgage':4} data['Home Ownership'] = data['Home Ownership'].map(home_mapping) # Years in current job 标签编码 years_mapping = {'< 1 year':1, '1 year':2, '2 years':3, '3 years':4, '4 years':5, '5 years':6, '6 years':7, '7 years':8, '8 years':9, '9 years':10, '10+ years':11} data['Years in current job'] = data['Years in current job'].map(years_mapping) # Purpose 独热编码 + bool转int data = pd.get_dummies(data, columns=['Purpose']) new_cols = [col for col in data.columns if col not in data2.columns] for col in new_cols: data[col] = data[col].astype(int) # Term 映射 + 重命名 term_mapping = {'Short Term':0, 'Long Term':1} data['Term'] = data['Term'].map(term_mapping) data.rename(columns={'Term': 'Long Term'}, inplace=True) # 2. 缺失值填充（连续特征用众数） cont_feats = data.select_dtypes(include=['int64', 'float64']).columns.tolist() for feat in cont_feats: mode_val = data[feat].mode()[0] data[feat].fillna(mode_val, inplace=True) return data def __len__(self): """返回数据集总条数（必须实现）""" return len(self.X) def __getitem__(self, idx): """ 根据索引返回单条数据（必须实现） :param idx: 数据索引（int） :return: (特征tensor, 标签tensor) """ # 取单条数据（numpy数组） x = self.X[idx] y = self.y[idx] # 转换为PyTorch张量（MLP需要float32类型） x_tensor = torch.from_numpy(x).float() y_tensor = torch.from_numpy(np.array(y)).float() # 二分类标签用float（适配BCELoss） return x_tensor, y_tensor

2.`Dataset`核心方法解释

方法	作用
`__init__`	初始化：读取数据、预处理、分离特征 / 标签、标准化（核心预处理逻辑都在这里）
`__len__`	返回数据总条数，`DataLoader`会用这个方法知道 “有多少批数据”
`__getitem__`	按索引取单条数据，是`DataLoader`批量加载的基础（每次取 1 条，再拼 batch）
自定义方法（如`_preprocess_data`）	封装预处理逻辑，让代码更整洁（非必须，但推荐）

三、`DataLoader`类详解

DataLoader是Dataset的 “上层封装”，核心作用是把Dataset中的单条数据拼成批次，并提供高效读取能力。

1. 核心参数

参数	作用	训练集 / 测试集建议
`dataset`	传入自定义的`Dataset`实例（必须）	-
`batch_size`	每批数据的条数（如 32、64）	训练集：32/64；测试集：可更大（如 128）
`shuffle`	是否打乱数据（避免模型学习顺序）	训练集：True；测试集：False
`num_workers`	多线程读取数据（加速）	Windows：0；Linux/Mac：4/8（根据 CPU 核数）
`drop_last`	是否丢弃最后一批不足`batch_size`的数据	训练集：True；测试集：False
`pin_memory`	是否锁定内存（GPU 训练时加速数据传输）	GPU 训练：True；CPU：False

2.`DataLoader`实战

# 数据路径（替换为你的实际路径） DATA_PATH = r"E:\study\PythonStudy\python60-days-challenge-master\data.csv" # Step1：创建训练集Dataset（拟合scaler） train_dataset = CreditDefaultDataset(data_path=DATA_PATH, is_train=True) # 提取训练集的scaler（供测试集复用） train_scaler = train_dataset.scaler # Step2：划分训练/测试集（可选：如果Dataset已包含全量数据，这里拆分） # 注意：也可以在Dataset中直接划分，这里用切片示例 train_size = int(0.8 * len(train_dataset)) test_size = len(train_dataset) - train_size train_subset, test_subset = torch.utils.data.random_split( train_dataset, [train_size, test_size], generator=torch.Generator().manual_seed(42) ) # 测试集Dataset（复用训练集的scaler） test_dataset = CreditDefaultDataset(data_path=DATA_PATH, is_train=False, scaler=train_scaler) # Step3：创建DataLoader（核心） train_loader = DataLoader( dataset=train_subset, batch_size=32, shuffle=True, # 训练集打乱 num_workers=0, # Windows建议设0，避免多线程报错 drop_last=True, # 丢弃最后一批不足32条的数据 pin_memory=True if torch.cuda.is_available() else False # GPU加速 ) test_loader = DataLoader( dataset=test_subset, batch_size=64, shuffle=False, # 测试集不打乱 num_workers=0, drop_last=False, pin_memory=True if torch.cuda.is_available() else False ) # Step4：迭代DataLoader（训练/测试时的核心用法） # 示例：遍历训练集批次 print("===== 训练集批次示例 =====") for batch_idx, (x_batch, y_batch) in enumerate(train_loader): print(f"批次 {batch_idx+1}：") print(f" 特征形状：{x_batch.shape} (batch_size={x_batch.shape[0]}, 特征数={x_batch.shape[1]})") print(f" 标签形状：{y_batch.shape}") # 训练时：将批次数据移到GPU → 前向传播 → 反向传播 if batch_idx == 2: # 只打印前3批 break # 示例：遍历测试集批次 print("\n===== 测试集批次示例 =====") for batch_idx, (x_batch, y_batch) in enumerate(test_loader): print(f"批次 {batch_idx+1}：特征形状={x_batch.shape}，标签形状={y_batch.shape}") if batch_idx == 1: break

3.`DataLoader`迭代逻辑解释

enumerate(train_loader)会逐批返回(批次索引, (特征批次, 标签批次))；
特征批次形状：(batch_size, 特征数)（如 32 个样本，20 个特征 →(32, 20)）；
标签批次形状：(batch_size,)（如 32 个样本 →(32,)）；
训练时，每批数据会被喂给模型：outputs = model(x_batch)。

Day 42 Dataset 和 Dataloader 类

一、核心定位