cora資料集- 下載地址https://linqs-data.soe.ucsc.edu/public/lbc/cora.tgz

內容介紹：

樣本特徵，標籤，鄰接矩陣
該資料集共2708個樣本點，每個樣本點都是一篇科學論文，所有樣本點被分為8個類別

類別分別是1）基於案例；2）遺傳演算法；3）神經網路；4）概率方法；5）強化學習；6）規則學習；7）理論

每篇論文都由一個1433維的詞向量表示，所以，每個樣本點具有1433個特徵。詞向量的每個元素都對應一個詞，且該元素只有0或1兩個取值。取0表示該元素對應的詞不在論文中，取1表示在論文中。所有的詞來源於一個具有1433個詞的字典。

每篇論文都至少引用了一篇其他論文，或者被其他論文引用，也就是樣本點之間存在聯絡，沒有任何一個樣本點與其他樣本點完全沒聯絡。如果將樣本點看做圖中的點，則這是一個連通的圖，不存在孤立點（？）

檔案格式

下載的壓縮包中有三個檔案，分別是cora.cites，cora.content，README。

資料集兩個檔案：

1個是cora.content   節點的特徵

1個是cora.cires       邊的資訊

README是對資料集的介紹；cora.content是所有論文的獨自的資訊；cora.cites是論文之間的引用記錄。

cora.content共有2708行，每一行代表一個樣本點，即一篇論文。

如下所示，每一行由三部分組成，分別是論文的編號，如31336；論文的詞向量，一個有1433位的二進位制；論文的類別，如Neural_Networks。

 cora.cites共5429行

• cora資料集- 用python處理

• 用python匯入資料，並分離樣本特徵，標籤，建立鄰接矩陣

• 1.匯入資料

• import pandas as pd
  import numpy as np
  # 匯入資料：分隔符為空格
  raw_data = pd.read_csv('data/cora/cora.content',sep = '\t',header = None)
  num = raw_data.shape[0] # 樣本點數2708

  2.將論文的編號轉化為[0,2707]

• # 將論文的編號轉[0,2707]
  a = list(raw_data.index)
  b = list(raw_data[0])
  c = zip(b,a)
  map = dict(c)

  3.提取詞向量，成為特徵矩陣

• # 將詞向量提取為特徵,第二行到倒數第二行
  features =raw_data.iloc[:,1:-1]
   # 檢查特徵：共1433個特徵，2708個樣本點
  print(features.shape) 

  4.提取標籤，進行獨熱編碼

• labels = pd.get_dummies(raw_data[1434])
  print(labels.head(3))
  

  　　標籤的前3行如下

•    Case_Based  Genetic_Algorithms  Neural_Networks  Probabilistic_Methods  \
  0           0                   0                1                      0   
  1           0                   0                0                      0   
  2           0                   0                0                      0   
  
     Reinforcement_Learning  Rule_Learning  Theory  
  0                       0              0       0  
  1                       0              1       0  
  2                       1              0       0  
  

  5.匯入論文引用資料

  raw_data_cites = pd.read_csv('data/cora/cora.cites',sep = '\t',header = None)

  6. 建立鄰接矩陣

  # 建立一個規模和鄰接矩陣一樣大小的矩陣
  matrix = np.zeros((num,num))
  # 建立鄰接矩陣
  for i ,j in zip(raw_data_cites[0],raw_data_cites[1]):
      x = map[i] ; y = map[j]  #替換論文編號為[0,2707]
      matrix[x][y] = matrix[y][x] = 1 #有引用關係的樣本點之間取1
  # 檢視鄰接矩陣的元素和（按每列彙總）
  print(sum(matrix))
  

  　參考：　https://blog.csdn.net/yeziand01/article/details/93374216