在机器学习和数据科学领域，处理文本数据是一个常见的任务。文本数据通常存储在文件中，需要被加载到内存中以便进行进一步的处理。本文将介绍一个函数，该函数能够加载文件夹中的文本文件，并根据文件夹结构自动为数据分配标签。这种结构通常如下所示：
container_folder/
category_1_folder/
file_1.txt
file_2.txt
…
file_42.txt
category_2_folder/
file_43.txt
file_44.txt
…
在这个结构中，每个子文件夹代表一个类别，文件夹名称将被用作监督信号的标签名称。文件名本身并不重要。这个函数不会尝试将特征提取到NumPy数组或SciPy稀疏矩阵中。此外，如果设置load_content=False，它也不会尝试将文件加载到内存中。
要使用文本文件进行scikit-learn的分类或聚类算法，需要使用text模块来构建一个适合问题的文本特征提取转换器。如果设置load_content=True，还应该使用encoding参数指定文本的编码。对于许多现代文本文件，'utf-8'将是正确的编码。如果将encoding设置为None，则内容将由字节而不是Unicode组成，将无法使用text中的大多数函数。
对于其他类型的非结构化数据输入，如图像、音频、视频等，也应该构建类似的特征提取器。如果想加载具有特定文件扩展名（例如.txt）的文件，那么可以传递这些文件扩展名的列表到allowed_extensions。
参数说明：
container_path：持有每个类别一个子文件夹的主文件夹的路径。description：描述数据集特征的段落：其来源、参考等。categories：类别名称列表，默认为None，即加载所有类别。如果指定，将只加载列表中的类别。load_content：布尔值，默认为True，决定是否加载不同文件的内容。shuffle：布尔值，默认为True，决定是否对数据进行随机打乱。encoding：字符串，默认为None，指定用于解码文本文件的编码。decode_error：字符串，默认为'strict'，指定如何处理解码错误。random_state：整数、RandomState实例或None，默认为0，决定数据集随机打乱时的随机数生成。allowed_extensions：字符串列表，默认为None，指定要加载的文件的期望扩展名列表。返回值：
data：字典类对象，包含以下属性：
data：当load_content=True时，包含原始文本数据的列表。target：目标标签（整数索引）。target_names：目标类别的名称列表。DESCR：数据集的完整描述。filenames：包含数据集的文件名的数组。示例代码：
from sklearn.datasets import load_files
container_path = "./"
data = load_files(container_path)