TextLineDataset只返回字符串是因为其设计目标是逐行读取原始文本，不解析CSV结构；需手动用tf.strings.split或更可靠的tf.io.decode_csv解析，并注意编码、shuffle位置等陷阱。
TextLineDataset 读 CSV 时为什么只返回字符串，不自动解析？
因为 TextLineDataset 的设计目标就是“逐行读原始文本”，它不关心内容是不是 CSV、有没有分隔符、字段是不是数字——所有行都当 tf.string 返回。你看到的每条记录是类似 b"123,45.6,apple" 的字节串，不是拆好的列数组。
常见错误现象：直接传给模型报错 Expected float32, got tf.string；或用 tf.strings.split 后没设 maxsplit 导致空字段爆炸。
- 必须手动调用
tf.strings.split（推荐用sep=','+maxsplit控制列数） - 数值字段需显式转类型，比如
tf.strings.to_number(..., out_type=tf.float32) - 首行是表头？
skip_header_lines=1在TextLineDataset.list_files阶段无效，得在 map 里用tf.cond过滤或预处理跳过
如何用 map + parse_csv 替代手写 split，更稳地处理缺失值和类型？
tf.io.decode_csv 是专为 CSV 解析设计的算子，比手撕 tf.strings.split 更可靠：它原生支持默认值填充（na_value）、字段类型声明、跳过空行，且对缺失字段/引号包裹字段兼容性更好。
使用场景：数据含空单元格、数字混着字符串、有带逗号的文本字段（如 "hello, world"）。
立即学习“Python免费学习笔记（深入）”；
- 先定义字段默认值列表，例如
record_defaults = [[0], [0.0], [""]]对应 int / float / string 列 - map 中调用
tf.io.decode_csv(line, record_defaults=record_defaults, field_delim=",") - 注意：输入
line必须是标量tf.string，不能是 batched 张量；若已 batch，需先 unbatch 或改用tf.data.experimental.CsvDataset
遇到编码错误或乱码（如 字符）怎么办？
根本原因是文件保存时用了非 UTF-8 编码（常见于 Windows 记事本默认的 GBK），而 TextLineDataset 默认按 UTF-8 解码。报错典型提示：InvalidArgumentError: Invalid UTF-8 sequence。
- 最简方案：用 Python 预处理转码，
with open("data.csv", encoding="gbk") as f: ...再写新 CSV - 硬要在 TF 图中处理？目前无内置解码选项，只能在
map前加一层 Python 函数封装（用tf.py_function），但会退出图模式、损失性能 - 验证方式：用
head -n 1 data.csv | hexdump -C查看前几个字节，确认是否含ef bb bf（UTF-8 BOM）或81 40（GBK 常见开头）
训练时 shuffle 效果差，甚至 batch 内全是同一类样本？
TextLineDataset 按文件物理顺序读行，如果原始 CSV 按标签排序（如前 1000 行全是 0，后 1000 行全是 1），即使加了 shuffle(buffer_size=1000)，buffer 填不满前几轮也只会看到单一类别。
- buffer_size 至少要 > 数据集总行数的 10%～20%，小数据集建议设成
len(csv_lines)（可用wc -l预估） - 更彻底的解法：用
tf.data.experimental.shuffle_and_repeat（TF 1.x）或确保shuffle在map和batch之前执行 - 警惕陷阱：
shuffle放在batch后 = shuffle batch，不是 shuffle 样本；放在map后可能因解析耗时导致 buffer 填充慢
CSV 行顺序依赖太强，真要稳定打散，不如预处理用 pandas df.sample(frac=1) 重排再保存。
