sklearn鸢尾花数据集的一些基本操作

一、数据集的导入

sklearn.datasets中数据集的导入有两种：

load_*  获取小规模数据集
fetch_* 获取大规模数据集

例：

# 从sklearn.datasets中导入鸢尾花数据集(小规模数据集)
from sklearn.datasets import load_iris

二、数据集的性质与基本使用

示例代码如下：

# 从sklearn.datasets中导入鸢尾花数据集(小规模数据集)
from sklearn.datasets import load_iris
def dataset_test():
    iris = load_iris()
    # 输出iris中的键
    for key in iris.keys():
        print(key)
    # 可以发现iris中有五个键：data,target,target_names,DESCR,feature_names
    # 我们依次来看一下
    print(iris['data']) # 等同于print(iris.data),data中存放的是数据集
    print(iris.data.shape) # 返回数据集的形状(150, 4)，150行4列
    print('-----------------------------------------------------------------------')
    print(iris['target']) # 等同于print(iris.target)，target中存放的是目标值
    print('-----------------------------------------------------------------------')
    print(iris['target_names']) # 等同于print(iris.target_names)，target_names存放的是目标值的名称
    print('-----------------------------------------------------------------------')
    print(iris['DESCR'])    # 等同于print(iris.DESCR)，DESCR则是对这个数据集的描述
    print('-----------------------------------------------------------------------')
    print(iris['feature_names']) # 等同于print(iris.feature_names)，feature_names指的是特征的名称
    print('-----------------------------------------------------------------------')

上述代码中数据集的返回值此处是iris，是datasets.base.Bunch对象(继承自字典)但是与字典又有所不同，取出其中值的方法有:

1.bunch[key] = values
2.bunch.key = values

三、拿到的数据能否全部用于训练一个模型呢？

答案肯定是不能的，如果数据全部用来训练模型了，那还拿什么数据进行模型测试呢，所以拿到的数据要分为训练集和测试集。

训练集：用于训练，构建模型
测试集：在模型检验时使用，用于评估模型是否有效

通常测试集占到数据集的20%~30%也就是说要从所有数据中拿80%左右用来训练模型，20%左右用来测试模型。

sklearn也给我们提供了将数据集分成测试集和训练集的方法就是train_test_split方法，很见名知意啦。

from sklearn.model_selection import train_test_split

具体使用方法如下:

x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=22)
    print("训练集的特征值:\n", x_train, x_train.shape)
    print("测试集的特征值:\n", x_test)
    print("训练集目标值:\n", y_train)
    print("测试集目标值:\n", y_test)

数据集划分（注意将数据划分得到的顺序一定是：训练集的特征值，测试集的特征值，训练集目标值，测试集目标值）
train_test_split()各参数的含义

完整代码如下：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

def dataset_test():
    iris = load_iris()
    # 数据集的返回值此处是iris，是datasets.base.Bunch对象(继承自字典)但是与字典又有所不同
    # 取出其中值的方法有
        # 1.bunch[key] = values
        # 2.bunch.key = values
    for key in iris.keys():
        print(key)
    # 可以发现iris中有五个键：data,target,target_names,DESCR,feature_names
    # 我们依次来看一下
    print(iris['data']) # 等同于print(iris.data),data中存放的是数据集
    print(iris.data.shape) # 返回数据集的形状(150, 4)，150行4列
    print('-----------------------------------------------------------------------')
    print(iris['target']) # 等同于print(iris.target)，target中存放的是目标值
    print('-----------------------------------------------------------------------')
    print(iris['target_names']) # 等同于print(iris.target_names)，target_names存放的是目标值的名称
    print('-----------------------------------------------------------------------')
    print(iris['DESCR'])    # 等同于print(iris.DESCR)，DESCR则是对这个数据集的描述
    print('-----------------------------------------------------------------------')
    print(iris['feature_names']) # 等同于print(iris.feature_names)，feature_names指的是特征的名称
    print('-----------------------------------------------------------------------')

    # 拿到的数据能否全部用于训练一个模型呢？
      # 答案肯定是不能的，如果数据全部用来训练模型了，那还拿什么数据进行模型测试呢，所以拿到的数据要分为训练集和测试集，
      # 训练集：用于训练，构建模型
      # 测试集：在模型检验时使用，用于评估模型是否有效
      # 通常测试集占到数据集的20%~30%也就是说要从所有数据中拿80%左右用来训练模型，20%左右用来测试模型

    # sklearn也给我们提供了将数据集分成测试集和训练集的方法就是train_test_split方法，很见名知意啦
    # from sklearn.model_selection import train_test_split
    # 具体使用方法如下
    # 数据集划分（注意将数据划分得到的顺序一定是：训练集的特征值，测试集的特征值，训练集目标值，测试集目标值）
    # train_test_split()各参数的含义见链接：https://www.cnblogs.com/Yanjy-OnlyOne/p/11288098.html
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=22)
    print("训练集的特征值:\n", x_train, x_train.shape)
    print("测试集的特征值:\n", x_test)
    print("训练集目标值:\n", y_train)
    print("测试集目标值:\n", y_test)

if __name__=="__main__":
    dataset_test()