iris数据_sklearn日志（一）体验官方提供的标准数据集

对于机器学习研究人员来说，搭建模型之前的第一步永远是进行探索性数据分析。

通过查看scikit-learn的官方文档以及相关教程，总结了下面的数据读取基础知识点：

• 官方提供了哪些数据集；
• 如何加载数据集；
• 每条数据是如何存储的；

实验的环境是jupyter notbook，一款轻量级python编辑器，运行在浏览器上。sklearn的版本为0.19.1，python的版本为3.6。

1、官方提供了哪些数据集

根据官网【1】显示，sklearn提供的数据集分为Toy和Real World两种，其中Toy指代轻量级的数据集，适用于学习和理解算法；Real World数据集包含的数据较多，适用于真实环境下调参等工作。Toy数据集和Real World数据集的读取方式有些区别，Toy数据集采用load_xxx()的形式，而Real World数据集采用fetch_xxx()的形式。下面是Toy数据集：

下面是Real World数据集：

2、如何加载数据集

首先介绍一下数据量较小的iris数据集【2】，iris表示鸢尾花，是众多分类算法的通用入门数据集。iris包含花萼长度、花萼宽度、花瓣长度、花瓣宽度共4个特征，用于预测某朵花的是Setosa、Versicolour、Virginica中的哪一类。

（1）获取数据集对象

以iris数据集为例，可以采用下面方式获取数据集对象：

from 

（2）查看数据集对象的属性

经过查看文档，发现iris对象包含下面的属性：

print

上述的五种数据集属性基本上涵盖了所需了解的一切信息，含义如下：

• DESCR：即describe，给出数据集的完整描述
• data：所有数据
• feature_names：特征的名字
• target：所有数据的标签
• target_names：每个标签的名字

下面的代码输出了特证名字和标签名字：

print

此外，数据集的数据个数和标签情况同样非常重要，进行查看如下：

print

通过对列表进行统计，发现数据集共含有150条数据，以及对应的150个标签。每类数据均含有50个，表明这是一个数据均衡的数据集，每类数据占比为33.33%。

3、每条数据是如何存储的

由于各种数据的维度并不相同，有些数据是一维的（如特征值数据集iris），也有些数据本身是二维的（如数字数据集digits），所以必须知道datasets的存储方式。

按照资料显示，所有数据均是以2d的数组形式存储的，格式为（num_ samples, num_ features）。那么，对于digits数据集来说，应该以何种方式重组num_features个特征，以获取数字信息呢？经过查看发现digits对象包含下面的属性：

digits 

所以，可采用digits的images属性获得原始图像形式的特征值（即灰度值）：

print

使用matplotlib可视化上述的灰度值，得到下面的图像：

显然，这是数字零。可采用digits的target属性查看第一张图像的标签，印证上图表示数字零：

print

参考：

【1】https://scikit-learn.org/stable/tutorial/basic/tutorial.html#machine-learning-the-problem-setting

【2】https://baike.baidu.com/item/IRIS/4061453?fr=aladdin