加载示例数据集

Scikit-learn 配备了几个标准数据集，它们对于开始使用、测试算法和比较结果非常有帮助。您无需立即查找和格式化自己的数据，而是可以使用这些现成的数据集来练习该库的功能。这些数据集可以通过 sklearn.datasets 模块访问。

使用 load_* 函数

对于通常内嵌在库中的较小、经典数据集，Scikit-learn 提供了 load_* 函数。这些函数返回一个特殊对象，常被称为“Bunch”，它作用类似于一个包含数据及其元数据的字典。我们来加载著名的鸢尾花数据集，它是分类任务的常用基准。

from sklearn.datasets import load_iris
import pandas as pd

# 加载鸢尾花数据集
iris_data = load_iris()

# 返回的对象作用类似于字典
print(f"iris 数据集对象的键：{list(iris_data.keys())}")

输出通常会显示类似于 data、target、frame、target_names、DESCR、feature_names、filename 和 data_module 的键。我们来查看最重要的属性：

• data：它包含作为 NumPy 数组的特征（测量值）。每行代表一个样本（一朵花），每列代表一个特征（萼片长度、萼片宽度、花瓣长度、花瓣宽度）。
• target：这是一个 NumPy 数组，包含每个样本的标签或目标值。在鸢尾花数据集中，这些对应于鸢尾花的种类（0、1 或 2）。
• feature_names：一个字符串列表，指示 data 中每个特征列的名称。
• target_names：一个字符串列表，指示 target 中每个目标类别的名称。
• DESCR：一个包含数据集详细描述的字符串。打印并阅读它总是一个好习惯。
• frame：（可选，取决于参数 (parameter)）一个 Pandas DataFrame，包含 data 和 target，通常带有正确的列名。

我们来查看其中一些属性：

# 打印特征名称
print(f"特征名称：{iris_data.feature_names}")

# 打印目标名称
print(f"目标名称：{iris_data.target_names}")

# 打印数据（特征）的前 5 行
print(f"\n数据前 5 行：\n{iris_data.data[:5]}")

# 打印前 5 个目标标签
print(f"\n前 5 个目标：{iris_data.target[:5]}")

# 打印数据集描述的一部分
print(f"\n数据集描述（部分）：\n{iris_data.DESCR[:500]}...")

为了方便，特别是如果您喜欢使用 Pandas（如先决条件中所述），您通常可以将数据直接加载到 DataFrame 中。load_* 函数通常接受 as_frame=True 参数。

# 将鸢尾花数据集加载为 Pandas DataFrame
iris_df = load_iris(as_frame=True)['frame']

# 显示 DataFrame 的前 5 行
print("\n作为 Pandas DataFrame 的鸢尾花数据集（前 5 行）：")
print(iris_df.head())

这个 DataFrame 方便地结合了特征和目标列，并带有有意义的名称。

其他常用的 load_* 函数包括：

• load_digits()：用于分类的手写数字数据集。
• load_diabetes()：用于回归的糖尿病数据集。
• load_breast_cancer()：用于二元分类的乳腺癌数据集。

其他数据集类型

除了内嵌的 load_* 数据集外，sklearn.datasets 还提供了：

"* fetch_* 函数： 它们从互联网下载更大的数据集（例如，fetch_california_housing、fetch_olivetti_faces）。它们的工作方式类似于 load_* 函数，但首次下载需要互联网连接。"

• make_* 函数： 它们根据指定参数 (parameter)生成合成数据集（例如，make_classification、make_regression、make_blobs）。这些对于受控实验和了解算法在特定数据特点下的行为非常有用。

使用这些内置数据集是熟悉不同类型的机器学习 (machine learning)问题以及 Scikit-learn 期望的数据格式的好方法，这在您使用自己的自定义数据之前很有帮助。在接下来的实践练习中，您将通过加载其中一个数据集来验证您的安装。