sklearn数据集库中的常用数据集类型介绍

​ 分享一些学习到的知识

​ sklearn的数据集库datasets提供很多不同的数据集，主要包含以下几大类：

1. 玩具数据集




2. 真实世界中的数据集




3. 样本生成器




4. 样本图片




5. svmlight或libsvm格式的数据




6. 从openml.org下载的数据




7. 从外部加载的数据

   用的比较多的就是1和3，这里进行主要介绍，其他的会进行简单介绍，但是不建议使用。

玩具数据集

​ scikit-learn 内置有一些小型标准数据集，不需要从某个外部网站下载任何文件，用datasets.load_xx()加载。

(一) 波士顿房价

​ 统计了波士顿506处房屋的13种不同特征（ 包含城镇犯罪率、一氧化氮浓度、住宅平均房间数、到中心区域的加权距离以及自住房平均房价等 ）以及房屋的价格，适用于回归任务。

from sklearn import datasets # 导入库
boston = datasets.load_boston() # 导入波士顿房价数据
print(boston.keys()) # 查看键(属性) ['data','target','feature_names','DESCR', 'filename']
print(boston.data.shape,boston.target.shape) # 查看数据的形状 (506, 13) (506,)
print(boston.feature_names) # 查看有哪些特征 这里共13种
print(boston.DESCR) # described 描述这个数据集的信息
print(boston.filename) # 文件路径


(二) 鸢尾花

​ 这个数据集包含了150个鸢尾花样本，对应3种鸢尾花，各50个样本，以及它们各自对应的4种关于花外形的数据 ，适用于分类任务。

from sklearn import datasets # 导入库
iris = datasets.load_iris() # 导入鸢尾花数据
print(iris.data.shape,iris.target.shape) # (150, 4) (150,)
print(iris.feature_names) # [花萼长，花萼宽，花瓣长，花瓣宽]


​ 还可以在sklearn\datasets_base.py文件中查看信息：3类，每类50个，共150个样本，维度（特征）为4，特征的数值是真实的，并且都是正数。

​ 其他数据集大同小异，节省大家时间，下面只做简单介绍。

(三) 糖尿病

​ 主要包括442个实例，每个实例10个属性值，分别是：Age(年龄)、性别(Sex)、Body mass index(体质指数)、Average Blood Pressure(平均血压)、S1~S6一年后疾病级数指标，Target为一年后患疾病的定量指标， 适用于回归任务。

from sklearn import datasets # 导入库
diabetes = datasets.load_diabetes() # 导入糖尿病数据


(四) 手写数字

​ 共有1797个样本，每个样本有64的元素，对应到一个8&＃215;8像素点组成的矩阵，每一个值是其灰度值， target值是0-9，适用于分类任务。

from sklearn import datasets # 导入库
digits = datasets.load_digits() # 导入手写数字数据


(五) 体能训练

​ 兰纳胡德提供的体能训练数据，data和target都是20&＃215;3，data的特征包括Chins, Situps and Jumps.(引体向上 仰卧起坐 跳跃)，target的三维分别是Weight, Waist and Pulse.(体重 腰围 脉搏)，适用于回归问题，用的少。

(六) 红酒

​ 共178个样本，代表了红酒的三个档次（分别有59，71，48个样本），以及与之对应的13维的属性数据，适用于分类任务。

from sklearn import datasets # 导入库
wine = datasets.load_wine() # 导入红酒数据


(七) 威斯康辛州乳腺癌

​ 包含了威斯康辛州记录的569个病人的乳腺癌恶性/良性（1/0）类别型数据，以及与之对应的30个维度的生理指标数据，适用于二分类问题。

from sklearn import datasets # 导入库
cancer = datasets.load_breast_cancer() # 导入乳腺癌数据


真实世界中的数据集

​ scikit-learn 提供加载较大数据集的工具，并在必要时可以在线下载这些数据集，用datasets.fetch_xx()加载。

样本生成器

(一) 簇

from sklearn import datasets
centers = [[2,2],[8,2],[2,8],[8,8]]
x, y = datasets.make_blobs(n_samples=1000, n_features=2, centers=4,cluster_std=1)


n_samples:样本数

n_features:特征数（维度）

centers:中心数，也可以是中心的坐标

cluster_std:簇的方差

(二) 同心圆

x, y = datasets.make_circles(n_samples=5000, noise=0.04, factor=0.7)


noise:噪声

factor:内圆与外圆的距离 为1的时候最小

(三) 月牙

x, y = datasets.make_moons(n_samples=3000, noise=0.05)


(四) 分类

x, y =datasets.make_classification(n_classes=4, n_samples=1000, n_features=2, n_informative=2 , n_redundant=0, n_clusters_per_class=1,n_repeated=0, random_state=22)


n_classes:类的数目

n_informative:有效的特征数

n_redundant:冗余特征数 有效特征数的线性组合

n_repeated:有效特征数和冗余特征数的有效组合

n_informative + n_redundant + n_repeated <= n_features

n_clusters_per_class:每一类的簇数

n_classes * n_clusters_per_class <= 2**n_informative

样本图片

​ scikit 在通过图片的作者共同授权下嵌入了几个样本 JPEG 图片。这些图像为了方便用户对 test algorithms （测试算法）和 pipeline on 2D data （二维数据管道）进行测试，用datasets.load_sample_image()加载。

from sklearn import datasets
import matplotlib.pyplot as plt
img = datasets.load_sample_image('flower.jpg')
print(img.shape) # (427, 640, 3)
print(img.dtype) # uint8
plt.imshow(img)
plt.show()


svmlight或libsvm格式的数据

可以加载svmlight / libsvm格式的数据集。


from sklearn.datasets import load_svmlight_file,load_svmlight_files
# 加载单个文件
X_train, y_train = load_svmlight_file("/path/to/train_dataset.txt")
# 加载多个文件
X_train, y_train, X_test, y_test = load_svmlight_files(("/path/to/train_dataset.txt", "/path/to/test_dataset.txt"))


​ svmlight / libsvm格式的公共数据集

从openml.org下载的数据

​ openml.org 是一个用于机器学习数据和实验的公共存储库，它允许每个人上传开放的数据集，可以通过sklearn.datasets.fetch_openml()函数来从openml.org下载数据集。

​ 例如，下载gene expressions in mice brains（老鼠大脑中的基因表达）数据集:

from sklearn.datasets import fetch_openml
mice = fetch_openml(name='miceprotein', version=4)
print(mice.DESCR) # 查看详情


从外部加载的数据

​ 建议除了玩具数据集和生成数据集以外，都在网上下载后用pandas导入。

kaggle：https://www.kaggle.com

天池：https://tianchi.aliyun.com/dataset

搜狗实验室：http://www.sogou.com/labs/resource/list_pingce.php

DC竞赛：https://www.pkbigdata.com/common/cmptIndex.html

DF竞赛：https://www.datafountain.cn/datasets

​ 例如，导入iris文件：

import pandas as pd
import seaborn as sns # 基于matplotlib和pandas的画图库
import matplotlib.pyplot as plt
data = pd.read_csv('G:\iris.csv', encoding='gbk') # 我把数据集列名改成了中文 所以用gbk解码
sns.relplot(x='花萼长', y='花瓣长', hue='类别',data=data) # seaborn库这里不做过多介绍
plt.rcParams['font.sans-serif'] = ['SimHei'] # 步骤一（替换sans-serif字体）
# plt.rcParams['axes.unicode_minus'] = False # 步骤二（解决坐标轴负数的负号显示问题）
plt.show()


总结

​ sklearn的数据集datasets库中，我们一般使用玩具数据集和样本生成器比较多，其他数据建议外部导入。

​ 下一期向大家介绍sklearn中关于数据预处理的一些常用操作。

来源：https://www.bilibili.com/video/BV1H7411874E?p=2