sklean中自带的数据集

• 转载于: 知乎

1. 调用方式

例如:

from sklearn import datasets

boston = datasets.load_boston()  # 导入波士顿房价数据

boston

• dataname.data

• dataname.target

• dataname.feature_names

2. Toy Datasets

2.1. 波士顿房价-回归

from sklearn import datasets

boston = datasets.load_boston()  # 导入波士顿房价数据

boston

2.2. 鸢尾花-分类

from sklearn import datasets

iris = datasets.load_iris()

iris

2.3. 糖尿病-回归

from sklearn import datasets  # 导入库

diabetes = datasets.load_diabetes()  # 导入糖尿病数据

2.4. 手写数字-多分类

​共有1797个样本，每个样本有64的元素，对应到一个8x8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

2.5. 体能训练-回归

兰纳胡德提供的体能训练数据，data和target都是20x3，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。

2.6. 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

2.7. 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

3. True Datasets

3.1. 生成簇,用于聚类

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)

其中的参数:

• 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

利用下面的代码看一下生成的结果:

import seaborn as sns 
import pandas as pd 

data = []
for x,y in zip(x,y):
    data.append((x[0],x[1],y))
data = pd.DataFrame(data,columns=['x1','x2','y'])
 
sns.scatterplot(x=data['x1'],y=data['x2'],hue=data['y'])

结果如下:

3.2. 生成同心圆

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

其中的参数

• noise:噪声

• factor:内圆与外圆的距离 为1的时候最小

再查看结果:

3.3. 生成月牙

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

3.4. 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)

其中的参数:

• 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

查看结果

4. 样例图片

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()