dataset数据集有哪些_数据集类型
大家好，又见面了，我是你们的朋友全栈君。
datasets数据集
分享一些学习到的知识
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：
- 玩具数据集
- 真实世界中的数据集
- 样本生成器
- 样本图片
- svmlight或libsvm格式的数据
- 从openml.org下载的数据
- 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。
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。
(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 (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。
其他数据集大同小异，节省大家时间，下面只做简单介绍。
(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(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8×8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(五) 体能训练
兰纳胡德提供的体能训练数据，data和target都是20×3，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。
(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(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 |
样本生成器
(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
(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
(三) 月牙
x, y = datasets.make_moons(n_samples=3000, noise=0.05)(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
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()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"))从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
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()总结
sklearn的数据集datasets库中，我们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。
下一期向大家介绍sklearn中关于数据预处理的一些常用操作。
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/124990.html原文链接：https://javaforall.cn
腾讯云开发者
