skleran数据集
发表评论
1102 views

datasets数据集

sklearn的数据集库datasets提供很多不同的数据集，主要包含以下几大类：

  1. 玩具数据集
  2. 真实世界中的数据集
  3. 样本生成器
  4. 样本图片
  5. svmlight或libsvm格式的数据
  6. 从http://openml.org下载的数据
  7. 从外部加载的数据
    用的比较多的就是1和3，这里进行主要介绍，其他的会进行简单介绍，但是不建议使用。

1 玩具数据集

scikit-learn 内置有一些小型标准数据集，不需要从某个外部网站下载任何文件，用datasets.load_xx()加载。

1.1 (一) 波士顿房价

统计了波士顿506处房屋的13种不同特征（ 包含城镇犯罪率、一氧化氮浓度、住宅平均房间数、到中心区域的加权距离以及自住房平均房价等 ）以及房屋的价格，适用于回归任务。

from sklearn import datasets  # 导入库

boston = datasets.load_boston()  # 导入波士顿房价数据
print(boston.keys())  # 查看键(属性)     ['data','target','feature_names','DESCR', 'filename'] 
print(boston.data.shape,boston.target.shape)  # 查看数据的形状 (506, 13) (506,)
print(boston.feature_names)  # 查看有哪些特征 这里共13种
print(boston.DESCR)  # described 描述这个数据集的信息 
print(boston.filename)  # 文件路径

1.2 (二) 鸢尾花

这个数据集包含了150个鸢尾花样本，对应3种鸢尾花，各50个样本，以及它们各自对应的4种关于花外形的数据 ，适用于分类任务。

from sklearn import datasets  # 导入库

iris = datasets.load_iris()  # 导入鸢尾花数据
print(iris.data.shape,iris.target.shape)  # (150, 4) (150,)
print(iris.feature_names)  # [花萼长，花萼宽，花瓣长，花瓣宽]

还可以在sklearn\datasets_base.py文件中查看信息：3类，每类50个，共150个样本，维度（特征）为4，特征的数值是真实的，并且都是正数。

附件/Pasted image 20210825172038.png

其他数据集大同小异，节省大家时间，下面只做简单介绍。

1.3 (三) 糖尿病

主要包括442个实例，每个实例10个属性值，分别是：Age(年龄)、性别(Sex)、Body mass index(体质指数)、Average Blood Pressure(平均血压)、S1~S6一年后疾病级数指标，Target为一年后患疾病的定量指标， 适用于回归任务。

from sklearn import datasets  # 导入库

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

1.4 (四) 手写数字

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

1.5 (五) 体能训练

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。

1.6 (六) 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

1.7 (七) 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

2 真实世界中的数据集

scikit-learn 提供加载较大数据集的工具，并在必要时可以在线下载这些数据集，用datasets.fetch_xx()加载。

调用描述

  • fetch_olivetti_faces()

Olivetti 脸部图片数据集fetch_20newsgroups()用于文本分类、文本挖据和信息检索研究的国际标准数据集之一。数据集收集了大约20,000左右的新闻组文档，均匀分为20个不同主题的新闻组集合。返回一个可以被文本特征提取器

  • fetch_20newsgroups_vectorized()

这是上面这个文本数据的向量化后的数据，返回一个已提取特征的文本序列，即不需要使用特征提取器

  • fetch_lfw_people()

打好标签的人脸数据集

  • fetch_lfw_pairs()

该任务称为人脸验证：给定一对两张图片，二分类器必须预测这两个图片是否来自同一个人

  • fetch_covtype()

森林植被类型，总计581012个样本，每个样本由54个维度表示（12个属性，其中2个分别是onehot4维和onehot40维），以及target表示植被类型1-7，所有属性值均为number，详情可调用fetch_covtype()['DESCR']了解每个属性的具体含义

  • fetch_rcv1()

路透社新闻语料数据集

  • fetch_kddcup99()

KDD竞赛在1999年举行时采用的数据集，KDD99数据集仍然是网络入侵检测领域的事实Benckmark，为基于计算智能的网络入侵检测研究奠定基础，包含41项特征

  • fetch_california_housing()

加利福尼亚的房价数据，总计20640个样本，每个样本8个属性表示，以及房价作为target，所有属性值均为number，详情可调用fetch_california_housing()['DESCR']了解每个属性的具体含义

  • fetch_species_distributions()

物种分布数据集

3 样本生成器

3.1 (一) 簇

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)
  • 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

3.2 (二) 同心圆

x, y = datasets.make_circles(n_samples=5000, noise=0.04, factor=0.7)
  • noise: 噪声
  • factor: 内圆与外圆的距离 为1的时候最小

3.3 (三) 月牙

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

3.4 (四) 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)
  • 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

4 样本图片

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()

附件/Pasted image 20210825172816.png

5 svmlight或libsvm格式的数据

可以加载svmlight / libsvm格式的数据集。

from sklearn.datasets import load_svmlight_file,load_svmlight_files
# 加载单个文件
X_train, y_train = load_svmlight_file("/path/to/train_dataset.txt")
# 加载多个文件
X_train, y_train, X_test, y_test = load_svmlight_files(("/path/to/train_dataset.txt", "/path/to/test_dataset.txt"))

svmlight / libsvm格式的公共数据集

6 从http://openml.org下载的数据

openml.org 是一个用于机器学习数据和实验的公共存储库，它允许每个人上传开放的数据集，可以通过sklearn.datasets.fetch_openml()函数来从openml.org下载数据集。

例如，下载gene expressions in mice brains（老鼠大脑中的基因表达）数据集:

from sklearn.datasets import fetch_openml

mice = fetch_openml(name='miceprotein', version=4)
print(mice.DESCR)  # 查看详情

7 从外部加载的数据

建议除了玩具数据集和生成数据集以外，都在网上下载后用pandas导入。

kaggle：https://www.kaggle.com

天池：https://tianchi.aliyun.com/dataset

搜狗实验室：http://www.sogou.com/labs/resource/list_pingce.php

DC竞赛：https://www.pkbigdata.com/common/cmptIndex.html

DF竞赛：https://www.datafountain.cn/datasets

例如，导入iris文件：

import pandas as pd
import seaborn as sns  # 基于matplotlib和pandas的画图库 
import matplotlib.pyplot as plt

data = pd.read_csv('G:\iris.csv', encoding='gbk')  # 我把数据集列名改成了中文 所以用gbk解码
sns.relplot(x='花萼长', y='花瓣长', hue='类别',data=data)  # seaborn库这里不做过多介绍
plt.rcParams['font.sans-serif'] = ['SimHei']  # 步骤一（替换sans-serif字体）
# plt.rcParams['axes.unicode_minus'] = False  # 步骤二（解决坐标轴负数的负号显示问题）
plt.show()

附件/Pasted image 20210825172938.png

8 总结

sklearn的数据集datasets库中，一般使用玩具数据集和样本生成器比较多，其他数据建议外部导入。

参考链接：https://zhuanlan.zhihu.com/p/108393576

#skleran #python #数据集

往年同期文章