【sklearn教程】sklearn中常用数据集简介

scikit-learn库中提供了包括分类、回归、聚类、降维等多种机器学习任务所需的常用数据集，方便我们进行实验和研究。它们主要被封装在sklearn.datasets中。本文对其中一些常用的数据集进行一下简单的介绍：

Iris（鸢尾花）数据集

该数据集包含150个鸢尾花样本，分为3个品种，每个品种50个样本。每个样本包含4个特征：花萼长度、花萼宽度、花 瓣长度、花 瓣宽度。目的是使用这4个特征来对鸢尾花进行分类。scikit-learn中该数据集主要封装在sklearn.datasets.load_iris()中，使用方法如下：

from sklearn.datasets import load_iris

# 加载数据集
iris = load_iris()

# 打印数据集的描述
print(iris.DESCR)

# 打印特征名
print(iris.feature_names)

# 打印标签类别
print(iris.target_names)

# 获取特征矩阵和目标向量
X = iris.data
y = iris.target

在上面的代码中，load_iris() 方法返回一个包含Iris数据集的对象 iris 。我们可以通过 iris.DESCR、iris.feature_names、iris.target_names 属性打印出数据集的描述、特征名、标签类别。然后，我们可以使用 iris.data 属性获取特征矩阵，使用 iris.target 属性获取标签向量。特征矩阵 X 是一个包含150个样本和4个特征的二维数组，目标向量 y 是一个包含150个元素的一维数组，每个元素表示对应样本的类别。

Wine（葡萄酒）数据集

Wine数据集也是一个分类问题的数据集，包含了三个葡萄酒品种（class）的13种化学特征，一共有178个样本。这个数据集是由美国加州大学欧文分校（UCI）提供的，最初是为了研究酒的化学成分和葡萄酒品种之间的关系而构建的。

Wine数据集中的三个葡萄酒品种分别是：

1. Class 1: 59个样本
2. Class 2: 71个样本
3. Class 3: 48个样本

13个化学特征分别是：

1. Alcohol（酒精）
2. Malic acid（苹果酸）
3. Ash（灰分）
4. Alcalinity of ash（灰的碱度）
5. Magnesium（镁）
6. Total phenols（总酚类化合物）
7. Flavanoids（类黄酮）
8. Nonflavanoid phenols（非类黄酮酚）
9. Proanthocyanins（原花青素）
10. Color intensity（颜色强度）
11. Hue（色调）
12. OD280/OD315 of diluted wines（稀释葡萄酒的OD280/OD315比值）
13. Proline（脯氨酸）

Wine数据集使用方法和鸢尾花数据集是类似的：

from sklearn.datasets import load_wine

wine = load_wine()
X, y = wine.data, wine.target

其中，X代表数据集中的13个特征，y代表数据集中的三个葡萄酒品种（class）。

Boston（波士顿房价）数据集

Boston数据集则是一个回归问题的经典数据集，包含了美国波士顿地区房屋的14个特征，一共有506个样本。这个数据集同样是由美国加州大学欧文分校（UCI）提供的，我们通常用来研究房屋价格和房屋特征之间的关系。

Boston数据集中的14个特征分别是：

1. CRIM：城镇人均犯罪率
2. ZN：占地面积超过25000平方英尺的住宅用地比例
3. INDUS：城镇非零售业务占地面积的比例
4. CHAS：查尔斯河虚拟变量（如果河流边界，则为1；否则为0）
5. NOX：一氧化氮浓度（每千万分之一）
6. RM：住宅平均房间数
7. AGE：1940年之前建造的自用房屋的比例
8. DIS：到波士顿五个就业中心的加权距离
9. RAD：放射性公路的可达性指数
10. TAX：每10,000美元的全值财产税率
11. PTRATIO：城镇师生比例
12. B：1000（Bk - 0.63）^ 2其中Bk是城镇黑人的比例
13. LSTAT：人口中地位低下者的百分比
14. MEDV：自住房屋房价中位数，以千美元计

该数据集使用方法如下：

from sklearn.datasets import load_boston

boston = load_boston()
X, y = boston.data, boston.target

其中，X代表数据集中的14个特征，y代表数据集中的自住房屋房价中位数的目标变量。

digits（手写数字）数据集

Digits数据集是一个手写数字识别数据集，它包含了1797张8x8像素的数字图像。每张图像都被转换为64维的特征向量，每个特征表示图像中的一个像素点。每张图像都被标记为0到9中的一个数字，表示图像所代表的数字。这个数据集非常适合用于机器学习中的图像分类问题。

在sklearn中，Digits数据集可以通过以下代码进行加载：

from sklearn.datasets import load_digits

digits = load_digits()

按上述步骤执行完之后，digits对象同样包含两个主要属性：data和target。digits.data保存的是特征矩阵，它是一个1797x64的数组，每一行代表一张图像的特征向量。标签保存在digits.target中，它是一个长度为1797的一维数组，每个元素代表相应图像的数字标签。我们使用类似的方法可以导出特征和标签：

X, y = boston.data, boston.target

威斯康星州乳腺癌数据集

威斯康星州乳腺癌数据集是一个用于二分类问题的数据集，它包含569个乳腺癌肿瘤样本，每个样本记录了10种与肿瘤细胞核有关的信息，这些信息包括：

1. radius: 细胞核半径
2. texture: 细胞核表面的纹理
3. perimeter: 细胞核周长
4. area: 细胞核面积
5. smoothness: 细胞核表面的平滑程度
6. compactness: 细胞核的紧凑度
7. concavity:细胞核凹陷的程度
8. concave points: 细胞核凹陷的点数
9. symmetry: 细胞核形状的对称性
10. fractal dimension: 细胞核边界的分形维度

计算样本中以上信息的平均数、标准差和最大值（最差）形成30个特征，用于区分良性和恶性肿瘤。该数据集的使用方法也是类似的：

from sklearn.datasets import load_digits

breast_cancer=load_breast_cancer()

X, y = breast_cancer.data, breast_cancer.target

文章转载自公众号：用Python学机器学习