Sklearn入门之datasets的基本用法

、

         Sklearn全称:Scipy-toolkit  Learn是 一个基于scipy实现的的开源机器学习库。它提供了大量的算法和工具，用于数据挖掘和数据分析，包括分类、回归、聚类等多种任务。本文我将带你了解并入门Sklearn下的datasets在机器学习中的基本用法。

获取方式

pip install scikit-learn

模块结构

        在Python中，要想熟练地使用一个库来完成各种任务，那么我们必须得对这个库内各个模块的结构比较熟悉才可以，观察Scikit-learn源代码中的第一级模块，我们不难画出这样的一个树状图用来描述其结构:

        在这其中，datasets为内置数据集，剩下的2-13基本包含了整个机器学习中所有比较经典的算法，后边七个模块是我们在进行机器学习任务时常用的工具。

        后续，我将分别为大家介绍这20个模块的基本用法，本文我们着重来了解datasets这个模块的基本用法。

datasets

        datasets是sklearn中用来加载预置数据集的模块，其内部主要有以下数据集:

所有数据集

数据集名称​​	​​导入方式​​	​​样本数×特征数​​	​​描述​​
​​load_iris​​	from sklearn.datasets import load_iris	150×4	鸢尾花数据集，包含3类鸢尾花的4个特征（花萼/花瓣长宽）
​​load_digits​​	from sklearn.datasets import load_digits	1797×64	手写数字（0-9）的8x8像素图像，共10类
​​load_wine​​	from sklearn.datasets import load_wine	178×13	葡萄酒化学分析数据，3类意大利不同品种葡萄酒
​​load_breast_cancer​​	from sklearn.datasets import load_breast_cancer	569×30	乳腺癌诊断数据，2类（恶性/良性），特征为细胞核的30项测量值
​​load_diabetes​​	from sklearn.datasets import load_diabetes	442×10	糖尿病进展指标，10个生理特征（年龄、BMI等），目标为定量病情进展
​​fetch_california_housing​​	from sklearn.datasets import fetch_california_housing	20640×8	加州房价数据，包含收入、房龄等特征，目标为房屋中位数价格（回归问题）
​​fetch_olivetti_faces​​	from sklearn.datasets import fetch_olivetti_faces	400×4096	40人的人脸图像（每人10张），64x64像素，用于人脸识别
​​fetch_20newsgroups​​	from sklearn.datasets import fetch_20newsgroups	文本数据（约18k篇）	20个新闻组的文本分类数据，需文本向量化处理
​​make_classification​​	from sklearn.datasets import make_classification	可自定义（默认100×20）	生成合成分类数据，可控制样本数、特征数、类别数等
​​make_regression​​	from sklearn.datasets import make_regression	可自定义（默认100×100）	生成合成回归数据，可控制噪声、特征重要性等
​​make_blobs​​	from sklearn.datasets import make_blobs	可自定义（默认100×2）	生成各向同性高斯分布的聚类数据，适用于聚类算法测试
​​make_moons​​	from sklearn.datasets import make_moons	可自定义（默认100×2）	生成半月形非线性可分数据，用于测试分类算法
​​make_circles​​	from sklearn.datasets import make_circles	可自定义（默认100×2）	生成同心圆非线性可分数据，用于测试分类算法

示例 

import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
#加载iris数据集
iris=load_iris()
X=iris.data#特征 (150, 4)
y=iris.target#三种花的类别(0,1,2)
feature_names=iris.feature_names
target_names=iris.target_names
#绘制花萼长度与宽度，其为data下的第0与第1特征
#y==0,y==1,y==2分别表示三中不同类别的花
plt.figure(figsize=(8, 6))
plt.scatter(X[y==0,0], X[y==0,1], color='red', label=target_names[0])
plt.scatter(X[y==1,0], X[y==1,1], color='blue',label=target_names[1])
plt.scatter(X[y==2,0], X[y==2,1], color='green',label=target_names[2])
plt.xlabel(feature_names[0]) #花萼长度
plt.ylabel(feature_names[1]) # 花萼宽度
plt.title("鸢尾花数据集:花萼长度VS花萼宽度")
plt.legend()
plt.show()

结果

数据集加载方法 

        sklearn所有的load_数据集名称函数的返回值为一个字典(不指定return_Xy=True时)，这个字典内部包含的所有属性为:

['data', 'target', 'frame', 'target_names', 'DESCR', 'feature_names', 'filename', 'data_module']

          以load_iris()函数的返回值为例， 其中data是大小为指定形状的ndarray类型数据，feature_names是data中的所有特征名称构成的列表，feature_names的长度即为data.shape[1]的值也就是data对应的列数,target为数据集的目标变量(监督学习中的标签或输出值,在iris数据集中为三种类型的花的名称) 也是ndarray的类型 

​​键（Key）​​	​​数据类型​​	​​含义​​
data	numpy.ndarray (150×4)	特征数据矩阵，每行代表一个样本，每列代表一个特征（花萼/花瓣的长度和宽度）。
target	numpy.ndarray (150,)	目标标签（类别），整数编码： 0=setosa, 1=versicolor, 2=virginica。
frame	pandas.DataFrame	包含 data 和 target 的DataFrame（需 as_frame=True 时返回）。
target_names	numpy.ndarray (3,)	目标类别名称，对应 target 的标签： ['setosa', 'versicolor', 'virginica']。
feature_names	list (4,)	特征名称列表： ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']。
DESCR	str	数据集的完整描述（字符串），包含来源、特征解释等信息。
filename	str	数据文件的路径（通常用于本地存储的数据集）。

我们在使用时可以通过以下几种方式来获取

通过索引获取 

from sklearn.datasets import load_iris
'''iris为包含['data', 'target','target_names', 'feature_names]等健的一个字典'''
iris=load_iris()
data=iris['data']
print(data)

通过属性获取 

from sklearn.datasets import load_iris
'''iris为包含['data', 'target','target_names', 'feature_names]等健的一个字典'''
iris=load_iris()
print(iris.data)

        二者得到的结果是一致的。当然，为了方便我们还可以只返回data与target，需要指定return_Xy=True,此时返回值为tuple类型包含data与target

只获取data与target

        当我们将return_X_y指定为True时,函数返回值为data与target构成的tuple

from sklearn.datasets import load_iris
X,y=load_iris(return_X_y=True)#X为data,y为target
print(X)

        

获取Dataframe格式数据

        当我们将as_frame指定为True时,函数的返回值仍然为字典,要想获取dataframe格式的数据需要通过索引的方式来获取,即'frame'。

from sklearn.datasets import load_iris
import pandas as pd
iris=load_iris(as_frame=True)
df=iris['frame']

总结

        以上便是 Sklearn入门之datasets的基本用法的所有内容，如果本文对你有用，免费的三连来一波，感谢各位大佬支持。后续，我还将继续介绍sklearn中其他模块的使用方法。