使用 Scikit-Learn 的人工数据集

使用 Python 生成合成数据

机器学习的一个问题，尤其是当您刚开始并想了解算法时，通常很难获得合适的测试数据。有些要花很多钱，有些则不能免费获得，因为它们受版权保护。因此，在某些情况下，人工生成的测试数据可以是一种解决方案。

出于这个原因，我们教程的这一章涉及人工生成数据。本章是关于创建人工数据。在我们教程的前几章中，我们了解到 Scikit-Learn (sklearn) 包含不同的数据集。一方面，有小的玩具数据集，但它也提供更大的数据集，这些数据集通常在机器学习社区中用于测试算法或作为基准。它为我们提供了来自“现实世界”的数据。

所有这些都很棒，但在许多情况下，这仍然不够。也许您找到了正确的数据类型，但您需要更多此类数据，或者数据并不完全是您要查找的数据类型，例如，您可能需要更复杂或更不复杂的数据。这是您应该考虑自己创建数据的地方。在这里，sklearn提供帮助。它包括各种随机样本生成器，可用于创建定制的人工数据集。满足您对大小和复杂性的想法的数据集。

以下 Python 代码是一个简单示例，我们在其中为一些德国城市创建了人工天气数据。我们使用 Pandas 和 Numpy 来创建数据：

import  numpy  as  np 
import  pandas  as  pd


城市 =  [ ‘柏林’ 、 ‘法兰克福’ 、 ‘汉堡’ 、 
          ‘纽伦堡’ 、 ‘慕尼黑’ 、 ‘斯图加特’ 、
          ‘汉诺威’ 、 ‘萨尔布吕肯’ 、 ‘科隆’ 、
          ‘康斯坦茨’ 、 ‘弗莱堡’ 、 ‘卡尔鲁厄’ 
         ]

n =  len （城市）
数据 =  { '温度' ： np 。随机的。正常( 24 ,  3 ,  n ), 
        '湿度' :  np 。随机的。正常( 78 ,  2.5 ,  n ), 
        'Wind' :  np 。随机的。正常( 15 ,  4 ,  n ) 
       } 
df  =  pd. DataFrame （数据=数据， 索引=城市）
df

	温度	湿度	风
柏林	26.133572	80.328353	5.015542
法兰克福	23.161901	76.886831	14.021860
汉堡	24.145767	79.678764	10.897413
纽伦堡	27.114319	77.825100	21.273423
慕尼黑	24.573419	74.416920	21.734649
斯图加特	20.615747	81.827868	6.316270
汉诺威	26.513550	80.462603	9.568481
萨尔布吕肯	23.602173	83.181582	11.382041
科隆	27.769321	79.759665	11.433353
康斯坦斯	29.343985	78.814028	17.818053
弗莱堡	25.554123	77.339895	7.965502
卡尔斯鲁厄	19.780618	76.517790	6.304491

另一个例子

我们将为四种不存在的花卉创建人工数据。如果这些名字让你想起编程语言和披萨，那绝非巧合：

• Flos Pythonem
• 爪哇
• 弗洛斯玛格丽塔酒
• 人工花

RGB 平均颜色值相应地为：

• (255, 0, 0)
• (245, 107, 0)
• (206, 99, 1)
• (255, 254, 101)

花萼的平均直径为：

• 3.8
• 3.3
• 4.1
• 2.9

Flos pythonem (254, 0, 0)	Flos Java (245, 107, 0)
弗洛斯玛格丽塔 (206, 99, 1)	人工花链 (255, 254, 101)

import  matplotlib.pyplot  as  plt 
import  numpy  as  np 
import  pandas  as  pd

从 scipy.stats 导入 truncnorm

def  truncated_normal ( mean = 0 ,  sd = 1 ,  low = 0 ,  upp = 10 ,  type = int ): 
    return  truncnorm ( 
        ( low  -  mean )  /  sd ,  ( upp  -  mean )  /  sd ,  loc = mean ,  scale = sd )

def  truncated_normal_floats ( mean = 0 ,  sd = 1 ,  low = 0 ,  upp = 10 ,  num = 100 ): 
    res  =  truncated_normal ( mean = mean ,  sd = sd ,  low = low ,  upp = upp )
    返回 res 。RVS （NUM ）

def  truncated_normal_ints ( mean = 0 ,  sd = 1 ,  low = 0 ,  upp = 10 ,  num = 100 ): 
    res  =  truncated_normal ( mean = mean ,  sd = sd ,  low = low ,  upp = upp )
    返回 res 。RVS （NUM ）。类型( np .uint8 )

＃项为每个花类的数目：
number_of_items_per_class  =  [ 190 ， 205 ， 230 ， 170 ]
花 =  {} 
＃FLOS Pythonem：
NUMBER_OF_ITEMS  =  number_of_items_per_class [ 0 ]
的红色 =  truncated_normal_ints （平均值= 254 ， SD = 18 ， 低= 235 ， upp = 256 , 
                             num = number_of_items )
果岭 =  truncated_normal_ints （平均值= 107 ， SD = 11 ， 低= 88 ， UPP = 127 ，
                             NUM = NUMBER_OF_ITEMS ）
蓝调 =  truncated_normal_ints （平均值= 0 ， SD = 15 ， 低= 0 ， UPP = 20 ，
                             NUM = NUMBER_OF_ITEMS ）
calyx_dia  =  truncated_normal_floats ( 3.8,  0.3 ,  3.4 ,  4.2 , 
                             num = number_of_items ) 
data  =  np . column_stack (( reds ,  greens ,  blues ,  calyx_dia ))
花[ "flos_pythonem" ]  = 数据

＃FLOS爪哇：
NUMBER_OF_ITEMS  =  number_of_items_per_class [ 1 ]
的红色 =  truncated_normal_ints （平均值= 245 ， SD = 17 ， 低= 226 ， UPP = 256 ，
                             NUM = NUMBER_OF_ITEMS ）
果岭 =  truncated_normal_ints （平均值= 107 ， SD = 11 ， 低= 88 ， upp = 127 ,
                             NUM = NUMBER_OF_ITEMS ）
蓝调 =  truncated_normal_ints （平均值= 0 ， SD = 10 ， 低= 0 ， UPP = 20 ，
                             NUM = NUMBER_OF_ITEMS