从数据的角度理解TensorFlow鸢尾花分类程序5

接上节，本文主要解释构建特征列，方便后续的函数找到对应的特征数据。

构建特征列

注意：范例中的代码也是相当烧脑，待文本慢慢解析后，会用更清晰明了的方式实现。

首先，回忆一下《从数据的角度理解TensorFlow鸢尾花分类程序4》一节中，print出来的变量(train_x, train_y), (test_x, test_y) 。上节说了，特征值和特征标签都存储在这四个变量里面。以train_x为例，train_x是Dataframe类型的变量，如下图所示：

train_x

Dataframe类型类似一个表格，由行号、每列的键值和数值组成，要引用每列的值，可以用每列的键值名来引用。

可以看出train_x每列的键值是['SepalLength', 'SepalWidth','PetalLength', 'PetalWidth']，这些键值也是特征点的名称。把特征点的名称告诉模型，模型才能使用。特征列是一种数据结构，告知模型如何解读每个特征中的数据，不仅要告诉模型特征的名称，还要告诉模型特征的数据类型。

若特征列中的特征名字与train_x中的特征名字不一致，则模型无法找到特征数据。

综上所示，可以把范例里面的代码改写为：

这样更加清晰，容易懂。

my_feature_column的打印信息中：_NumericColumn(key='SepalLength', shape=(1,), default_value=None, dtype=tf.float32, normalizer_fn=None)，_NumericColumn是一个类（class），小括号里面是该类的属性和方法。

注意：范例里面的写法也有好处，就是当特征种类很多的时候，比如100个，像本文这样手动指定特征列每列的key 和 类型，就非常不适合了，还是用范例中的写法，简洁。