moved out of src, added a basic setup.py

1 files changed, 0 insertions, 58 deletions

diff --git a/src/test/import_data.py b/src/test/import_data.py
deleted file mode 100644
index 6d4bd9e..0000000
--- a/src/test/import_data.py
+++ /dev/null
@@ -1,58 +0,0 @@
-
-
-
-
-##################################################################
-##################################################################
-##################################################################
-def read_digits(fname='digit.txt'):
-	'''
-		read_digits(fname='digit.txt')
-
-		read a data file that contains the features and class labels. 
-		each row of the file is a feature vector with the class 
-		label appended. 
-	'''
-	import csv
-	import numpy as np
-
-	fw = csv.reader(open(fname,'rb'), delimiter='\t')
-	data = []
-	for line in fw: 
-		data.append( [float(x) for x in line] )
-	data = np.array(data)
-	labels = data[:,len(data.transpose())-1]
-	data = data[:,:len(data.transpose())-1]
-	return data, labels
-##################################################################
-##################################################################
-##################################################################
-
-
-
-##################################################################
-##################################################################
-##################################################################
-def uniform_data(n_observations = 1000, n_features = 50, n_relevant = 5):
-	import numpy as np
-	xmax = 10
-	xmin = 0
-	data = np.random.randint(xmax + 1, size = (n_features, n_observations))
-	labels = np.zeros(n_observations)
-	delta = n_relevant * (xmax - xmin) / 2.0
-
-	for m in range(n_observations):
-		zz = 0.0
-		for k in range(n_relevant):
-			zz += data[k, m]
-		if zz > delta:
-			labels[m] = 1
-		else:
-			labels[m] = 2
-	data = data.transpose()
-	
-	return data, labels
-
-##################################################################
-##################################################################
-##################################################################