手把手教你机器学习第三版：解决Ridership数据集路径问题

在《手把手教你机器学习》第三版（Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow）第15章中，读者可能会遇到一个关于CTA公交系统乘客量数据集加载失败的问题。这个问题源于TensorFlow文件下载工具的行为变更，导致数据集路径与书中代码不匹配。

问题背景

书中使用tf.keras.utils.get_file()函数下载并解压CTA公交系统乘客量数据集。这个数据集包含了芝加哥公交运营部门(CTA)每日乘客量的历史记录，是时间序列预测的典型案例数据。然而，最新版本的TensorFlow/Keras在处理文件解压时改变了默认行为，将解压后的文件放在了一个额外的父目录中。

技术细节分析

原始代码中指定了下载和缓存路径：

tf.keras.utils.get_file(
    "ridership.tgz",
    "https://github.com/ageron/data/raw/main/ridership.tgz",
    cache_dir=".",
    extract=True
)

然后尝试从以下路径加载CSV文件：

path = Path("datasets/ridership/CTA_-_Ridership_-_Daily_Boarding_Totals.csv")

但实际上，文件被解压到了datasets/ridership_extracted/ridership/目录下。这种变化导致了FileNotFoundError异常。

解决方案

有两种方法可以解决这个问题：

1. 修改下载路径：调整get_file()函数的参数，使解压后的文件直接放在datasets/ridership目录中

2. 调整加载路径（推荐）：这是更简单的解决方案，只需修改加载CSV文件时的路径：

path = Path("datasets/ridership_extracted/ridership/CTA_-_Ridership_-_Daily_Boarding_Totals.csv")

深入理解

这个问题揭示了TensorFlow/Keras工具链中一个重要的行为变更。tf.keras.utils.get_file()函数在解压压缩包时，现在会创建一个额外的父目录来避免潜在的命名冲突。这种变化虽然提高了安全性，但也可能导致向后兼容性问题。

对于机器学习实践者来说，理解这类工具行为变更非常重要，特别是在处理数据加载这种基础操作时。建议开发者：

1. 总是检查文件下载后的实际路径
2. 在代码中添加路径存在性检查
3. 考虑使用更灵活的文件路径处理方法

最佳实践

在处理类似情况时，可以采用以下更健壮的代码模式：

import os
from pathlib import Path

# 尝试多种可能的路径
possible_paths = [
    "datasets/ridership/CTA_-_Ridership_-