scikit-learn ର fetch_20newsgroups ପାଇଁ ପ୍ରସ୍ତୁତ କ୍ୟାଶ୍ ବ୍ୟବହାର କରନ୍ତୁ

ଯେତେବେଳେ ଲକ୍ଷ୍ୟ ନିଜ ପ୍ରକ୍ସି ମାଧ୍ୟମରେ ଡାଉନଲୋଡ୍ କରିପାରେ ନାହିଁ, ଅନୁମୋଦିତ କାର୍ଯ୍ୟକ୍ଷମ ମାର୍ଗରେ ସମର୍ଥିତ fetcher ସହିତ ଡାଟାସେଟ୍ ପ୍ରସ୍ତୁତ କରନ୍ତୁ ଏବଂ ସୁସଙ୍ଗତ କ୍ୟାଶ୍ ସ୍ଥାନାନ୍ତର କରନ୍ତୁ। ଲକ୍ଷ୍ୟରେ:

from sklearn.datasets import fetch_20newsgroups

dataset = fetch_20newsgroups(
    data_home='/path/to/prepared-scikit-data',
    download_if_missing=False,
)

ଡାଟା ଅନୁପସ୍ଥିତ ଥିଲେ download_if_missing=False OSError ଉଠାଏ; ଏହା ଅନ୍ୟ ଡାଉନଲୋଡ୍ ମାର୍ଗ ଚେଷ୍ଟା କରେ ନାହିଁ। ଅନୁପସ୍ଥିତ ପ୍ରସ୍ତୁତିକୁ ପରବର୍ତ୍ତୀ ଡାଟା କାର୍ଯ୍ୟରୁ ଅଲଗା କରିବାକୁ ସେହି ଫଳାଫଳ ବ୍ୟବହାର କରନ୍ତୁ।

ଲକ୍ଷ୍ୟର କ୍ୟାଶ୍ ସ୍ଥାନ ମେଳାନ୍ତୁ। get_data_home ଡିଫଲ୍ଟ ଜଣାଏ, ଯେତେବେଳେ SCIKIT_LEARN_DATA କିମ୍ବା ସ୍ପଷ୍ଟ data_home ଏହାକୁ ବଦଳାଇପାରେ। ଅନ୍ୟ ବ୍ୟବହାରକାରୀଙ୍କ ହୋମରେ ଥିବା କ୍ୟାଶ୍ ଏଠାରେ ସ୍ୱଚାଳିତ ଭାବରେ ଦେଖାଯାଏ ନାହିଁ।

ସୁସଙ୍ଗତ ଲାଇବ୍ରେରୀ ସଂସ୍କରଣ ଏବଂ fetcher ନିଜେ ବ୍ୟବହାର କରି କ୍ୟାଶ୍ ସୃଷ୍ଟି କରନ୍ତୁ। tar ଅଭିଲେଖ କିମ୍ବା ହାତରେ ତିଆରି ଆଭ୍ୟନ୍ତରୀଣ pickle ସେହି ସମର୍ଥିତ ଫଳାଫଳ ସହିତ ଅଦଳବଦଳ ଯୋଗ୍ୟ ନୁହେଁ।

ଲାଇଭ୍ ଡାଉନଲୋଡ୍ ପାଇଁ, Python ଆରମ୍ଭ ହେବା ପୂର୍ବରୁ ପ୍ରକୃତ ଡାଉନଲୋଡରର ପ୍ରକ୍ସି ପରିବେଶ କନଫିଗର କରନ୍ତୁ। ଯେଉଁଠାରେ ଡାଟାସେଟ୍ ହୋଷ୍ଟ ସାର୍ବଜନୀନ ଏବଂ ସାର୍ବଜନୀନ-ପ୍ରକ୍ସି ଡାଉନଲୋଡ୍ ଅନୁମତିପ୍ରାପ୍ତ, ସେଠାରେ HTTP ପ୍ରକ୍ସି ତାଲିକା ଡାଉନଲୋଡରର HTTP ପ୍ରକ୍ସି ପରିବେଶ ମୂଲ୍ୟ ପାଇଁ ପ୍ରାର୍ଥୀ ଯୋଗାଏ। scikit-learn ସ୍ଥାପନ କରିବା କିମ୍ବା ବଣ୍ଡଲ୍ ହୋଇଥିବା load_* ଉଦାହରଣ ବ୍ୟବହାର କରିବା ନେଟୱର୍କ ଡାଟାସେଟ୍ ଡାଉନଲୋଡ୍ ଅଭ୍ୟାସ କରେ ନାହିଁ।