第7课　给样本贴对标签——数据采集、标注与统计

单元二

第7课　给样本贴对标签——数据采集、标注与统计

一、任务目标

整理已标注样本列表，统计每类有多少个。

二、知识点短列表

采集：把现实样本变成可记录的数据。
标注：给样本贴上标准答案标签；标错则学错。
数据集常写成 (名称, 标签) 元组的列表。
「count_label」：数某标签出现次数，检查数量与平衡。
指南强调小学实践采集与标注，不只要会喊口号。
元组 (名称, 标签) 里顺序固定：先名称后标签；拆包时变量名也要按这个顺序。
两类数量相差过大叫不平衡，训练前应补采或说明局限，不能假装没看见。

三、机器学习在说什么

有监督的“老师”就是标注。没有可靠标签，再强的算法也在学噪声。课堂里用元组列表模拟数据集，是为了让你看见：每一行都是一个带答案的例子。

统计不是花活：它回答“我们有没有足够多、足够均衡的例子”。若水果 20 条、蔬菜 2 条，模型可能几乎只会喊水果。先 count，再训练，是专业习惯的缩小版。

本课函数只数标签，不改标签。发现错误应回到数据表修正，而不是在统计函数里“凑数字”。

采集与标注在指南里被单列强调，是因为小学阶段最容易犯的错不是“不会调用大模型”，而是“数据随手写、标签随嘴叫”。一条白菜标成水果，后面所有基于这份数据的 classify／train 都会被污染；统计函数的职责是把污染暴露出来，而不是掩盖。

课堂操作建议：两人互查标注——一人读名称，一人只看标签是否合理；再用 count_label 核对两类数量。数量差过大时，先补采，再谈训练。

四、相关积木怎么用

「samples = [("苹果","水果"),」带标签数据集。
「遍历／计数循环」：按维（或按项）重复处理。用下标取出每一对。
「lab = data[i][1]」；若等于标签则「n = n + 1」。
迷你例子：水果三条、蔬菜两条时，「count_label」 → 3。

走查：输入 data=[("a","水果"),("b","蔬菜"),("c","水果")] 与 label="水果" → 「count_label」返回 2，因为只有第 1、3 条的 lab 等于“水果”。名称 a／c 不参与比较，比较的是标签字段。

想一想：若 5 条样本里蔬菜标签写了 2 次，「count_label」应返回几？

数据工作清单：采集字段是否合规；标注是否两人复核；count 两类是否写进笔记；不平衡是否已说明。四格缺一，数据集不算就绪。count_label 只回答“表里写了几次”，不回答“该不该这样标”——后者必须回到卡片前用眼睛与约定集合解决。

标注检查：名称与实物一致、标签落在约定集合、交叉抽查至少 3 条，然后才跑 count_label。水果 20、蔬菜 2 属不平衡，先报告两类 count，再决定补采——补采也是数据工作。

要点串讲：采集把现实变成记录，标注贴上标准答案，数据集常用（名称, 标签）列表；count_label 暴露数量与平衡问题；标错会学错，统计不能用来造假。本课过关标准：能互查标注并用函数如实统计两类样本数。加练：故意把一条蔬菜标错，看 count_label 会不会仍“数字好看但意义坏了”——统计正确≠标注正确。

五、操作步骤

步骤1

建样本表写出含水果与蔬菜的元组列表。

步骤2

写 count_label遍历 data，lab 相等则累加。

步骤3

分别统计对水果、蔬菜各调用一次并打印。

步骤4

人工抽查对照卡片确认没有标错再点检查。

六、解题思路

任务：整理已标注样本列表，统计每类有多少个。先想清楚：输入是什么、处理后得到什么、屏幕上应出现什么。

本课主要用到：屏幕输出。

1明确任务「整理已标注样本列表，统计每类有多少个。」：运行后你希望看到什么结果（文字、图形或计算结果）。
2用「打印」积木把结果说出来，确认屏幕上出现预期内容。
3找出重复动作，用「计数循环／遍历」积木写成循环，少抄几遍。
4写出判断条件：什么情况下走 A，什么情况下走 B。
5把可复用的一段动作做成函数，主程序里调用它。
6对照参考积木（或代码）跑通后，只改一个参数，观察结果如何变化。

流程示意（可对照左侧文字）

七、图形块功能讲解

下面只列出本课首次出现的 Mixly 图形块（真积木截图）。已在前面课讲过的不再重复；先认新块，再点「载入」对照拖搭。

图形块	分类	作用	本课用法
	控制	生成一段整数范围，常配合 for 循环。	本课编程练习中首次使用，载入后可在工具箱对照。

即时验算：示例 5 条应水果 3、蔬菜 2。把其中一条水果改标蔬菜后，两类 count 应变为 2 与 3。数字与手工清点不一致，先查拆包顺序 name,lab 是否写反。

拆包顺序写反会导致拿标签去当名称比较，count 全错。用一行注释标出“name 在前、lab 在后”，作为本课强制格式。

九、知识点讲解

特征是从原始数据里抽出、对判断有用的量；标签是我们想预测的答案。分类就是根据特征给样本贴标签。特征选不好，后面模型再复杂也难做好。

先弄清本课输入与输出，再进编程练习对照现象。

十、编程练习

用下拉列表切换题目；下方 Mixly 默认显示图形化积木。请在 Mixly 工具栏点「运行」；「检查」读取 Mixly 代码自动判题。

选择题目

参考代码（对照抄写到下方 Mixly）

samples = [
    ("苹果", "水果"), ("白菜", "蔬菜"), ("香蕉", "水果"),
    ("萝卜", "蔬菜"), ("葡萄", "水果"),
]

def count_label(data, label):
    n = 0
    for i in range(len(data)):
        lab = data[i][1]
        if lab == label:
            n = n + 1
    return n

print(count_label(samples, "水果"))
print(count_label(samples, "蔬菜"))

十一、本节小结

你现在能用 (名称, 标签) 列表表示数据集，并用 count_label 按标签如实计数；拆包顺序与不平衡报告成为习惯；交叉抽查至少 3 条。accuracy，用测试集检查模型是真会还是背题。