在NLTK中，有一个nltk.download()函数用于下载随NLP套件提供的数据集。

在sklearn中，它提到了加载数据集（http://scikit-learn.org/stable/datasets/）和从http://mldata.org/获取数据，但对于其余数据集，指示是从源头下载。

我应该将从源头下载的数据保存到哪里？ 在将数据保存到正确的目录后，是否还有其他步骤才能在我的Python代码中调用？

是否有下载例如20newsgroups数据集的示例？

我已经通过pip安装了sklearn并尝试了这个方法，但得到了一个IOError。很可能是因为我还没有从源头下载数据集。

>>> from sklearn.datasets import fetch_20newsgroups>>> fetch_20newsgroups(subset='train')Traceback (most recent call last):  File "<stdin>", line 1, in <module>  File "/usr/local/lib/python2.7/dist-packages/sklearn/datasets/twenty_newsgroups.py", line 207, in fetch_20newsgroups    cache_path=cache_path)  File "/usr/local/lib/python2.7/dist-packages/sklearn/datasets/twenty_newsgroups.py", line 89, in download_20newsgroups    tarfile.open(archive_path, "r:gz").extractall(path=target_dir)  File "/usr/lib/python2.7/tarfile.py", line 1678, in open    return func(name, filemode, fileobj, **kwargs)  File "/usr/lib/python2.7/tarfile.py", line 1727, in gzopen    **kwargs)  File "/usr/lib/python2.7/tarfile.py", line 1705, in taropen    return cls(name, mode, fileobj, **kwargs)  File "/usr/lib/python2.7/tarfile.py", line 1574, in __init__    self.firstmember = self.next()  File "/usr/lib/python2.7/tarfile.py", line 2334, in next    raise ReadError("empty file")tarfile.ReadError: empty file

回答：

网络连接问题可能已经损坏了您驱动器上的源存档。请从您用户主目录中的scikit_learn_data文件夹中删除与twenty groups相关的文件或文件夹，然后再试一次。

$ cd ~/scikit_learn_data'$ rm -rf 20news_home$ rm 20news-bydate.pkz