Sklearn的datasets模块与自带数据集介绍

datasets 模块

用 dir() 函数查看 datasets 模块的所有属性和函数

import sklearn.datasets as datasets# 列出 sklearn.datasets 模块中的所有属性和函数
print(dir(datasets))

datasets 模块下的数据集有三种类型：

（1）load系列的经典数据集，均为小型数据集，安装sklearn库时自带

（2）fetch系列下载数据集，较大的数据集，需要额外下载

（3）make系列生成数据集，可以生成各种形态分布的随机数据集

load系列经典数据集

一共有9个数据集，用 load_xxx() 形式的函数加载。

from sklearn.datasets import load_xxx
data = load_xxx()

load_xxx() 返回的数据类型是<class 'sklearn.utils.Bunch'> ，这是scikit-learn 中的一种数据结构，称为 Bunch 对象。它类似于 Python 的字典，存储键值对，可以通过键来访问相应的值，例如：data['key']；还可以通过属性方式访问存储的数据，例如： data.key。

数据集名称	调用函数	适用算法	数据规模（行×列）
波士顿房价数据集	load_boston()	回归	506×13
乳腺癌数据集	load_breast_cancer()	分类	569×30
糖尿病数据集	load_diabetes()	回归	442×10
手写数字数据集	load_digits()	分类	1797×64
鸢尾花数据集	load_iris()	分类	150×4
健身数据集	load_linnerud()	回归	20×3 (输入) + 20×3 (输出)
示例图像数据集	load_sample_image()	图像处理	单个图像
示例图像集合数据集	load_sample_images()	图像处理	2个图像
红酒数据集	load_wine()	分类	178×13

fetch系列下载数据集

数据集名称	调用函数	适用算法	数据规模（行×列）	说明
新闻分类数据集	fetch_20newsgroups()	分类	18,846×自由文本（训练：11,314，测试：7,532）	文本分类任务，返回原始文本
新闻分类向量化数据集	fetch_20newsgroups_vectorized()	分类	同上，已向量化为稀疏矩阵	文本分类任务，返回已向量化的稀疏矩阵
加州房价数据集	fetch_california_housing()	回归	20,640×8	预测房价中位数
树木类型数据集	fetch_covtype()	分类	581,012×54	森林覆盖类型的分类
KDD Cup 99 数据集	fetch_kddcup99()	分类/异常检测	4,898,431×41（训练集）	用于网络入侵检测和异常检测
LFW 人脸匹配数据集	fetch_lfw_pairs()	分类	2,200 对×自由文本（配对）	人脸验证任务
LFW 人脸识别数据集	fetch_lfw_people()	分类	13,233×2919（图像大小：62×47 像素）	人脸识别任务
Olivetti 面孔数据集	fetch_olivetti_faces()	分类/聚类	400×4096（图像大小：64×64 像素）	聚类和面部识别
OpenML 数据集	fetch_openml()	多种算法	依赖于指定的数据集	从 OpenML 平台下载各种类型的数据集
RCV1 数据集	fetch_rcv1()	分类	804,414×47,236（稀疏矩阵）	文本分类任务
物种分布数据集	fetch_species_distributions()	分类/回归	16,199×10	物种分布建模的回归或分类

make系列生成数据集

调用函数	生成数据形态	说明
make_biclusters()	双聚类数据	生成带有重叠或不重叠块结构的矩阵数据
make_blobs()	多簇数据	生成多个聚类的二维数据点
make_checkerboard()	棋盘格数据	生成具有棋盘格结构的矩阵数据
make_circles()	同心圆数据	生成二维同心圆形状的二元分类数据集
make_classification()	分类数据	生成用于分类问题的随机数据集
make_friedman1()	回归数据（非线性）	生成非线性回归模型数据（Friedman #1）
make_friedman2()	回归数据（非线性）	生成非线性回归模型数据（Friedman #2）
make_friedman3()	回归数据（非线性）	生成非线性回归模型数据（Friedman #3）
make_gaussian_quantiles()	高斯分位数数据	生成服从高斯分布的分类数据
make_hastie_10_2()	二分类数据	生成 Hastie 的二元分类数据集
make_low_rank_matrix()	低秩矩阵数据	生成指定秩的低秩矩阵
make_moons()	月亮形数据	生成二维的月亮形状二元分类数据集
make_multilabel_classification()	多标签分类数据	生成随机多标签分类数据集
make_regression()	回归数据	生成用于回归问题的随机数据集
make_s_curve()	S 曲线数据	生成 3D 的 S 形数据集
make_sparse_coded_signal()	稀疏编码信号数据	生成用于稀疏表示的信号数据
make_sparse_spd_matrix()	稀疏对称正定矩阵数据	生成稀疏对称正定矩阵
make_sparse_uncorrelated()	稀疏无关数据	生成稀疏的无相关特征数据集
make_spd_matrix()	对称正定矩阵数据	生成对称正定矩阵
make_swiss_roll()	瑞士卷数据	生成 3D 的瑞士卷形状数据集

经典数据集

鸢尾花数据集（三分类）

1、数据集内容

load_iris() 返回的是一个字典，字典中元素介绍如下：

键值	含义	数据类型	数据大小	元素类型	说明示例
data	特征数据	array	4 * 150	float	[4.9, 3. , 1.4, 0.2]
target	类别	array	1 * 150	int	0, 1, 2
feature_names	特征名称	list	4	str	'sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)' 萼片长度、萼片宽度、花瓣长度、花瓣宽度
target_names	类别标签	array	3	str	'setosa', 'versicolor', 'virginica' 鸢尾花的三个类别
frame					None
filename	文件名			str	iris.csv
data_module				str	sklearn.datasets.data
DESCR	描述			str	对数据的描述

2、特征说明

特征	含义
sepal length (cm)	萼片长度（厘米）
sepal width (cm)	萼片宽度（厘米）
petal length (cm)	花瓣长度（厘米）
petal width (cm)	花瓣宽度（厘米）

3、读取鸢尾花数据的完整代码

# 导入鸢尾花数据集
from sklearn.datasets import load_iris# 读取鸢尾花数据集
data = load_iris()
# 原始数据集是一个字典
# print(data)# for i in data.keys():
#     print(i)# 读取特征数据 4*150
feature_data = data['data']
# print(feature_data)
# 读取鸢尾花分类数据 1*150
target_data = data['target']
# print(target_data)
# 读取特征名称，4个特征
feature_name = data['feature_names']
# print(feature_name)
# 读取类别标签，3种类型
target_label = data['target_names']
# print(target_label)

 

波士顿房价数据集（回归）

1、数据集内容

load_boston() 返回的是一个字典，字典中的元素：

键值	含义	数据类型	数据大小	元素类型	说明示例
data	特征数据	array	13 * 506	float	[4.7410e-02, 0.0000e+00, 1.1930e+01, ..., 2.1000e+01, 3.9690e+02, 7.8800e+00]
target	房价	array	1 * 506	float	21.6, 34.7
feature_names	特征名称	array	13	str	['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT']
filename	文件名			str	boston_house_prices.csv
data_module				str	sklearn.datasets.data
DESCR	描述			str	对数据的描述

2、特征说明

自变量

特征	英文释义	含义
CRIM	per capita crime rate by town	城镇人均犯罪率
ZN	proportion of residential land zoned for lots over 25,000 sq.ft.	占地面积超过 25,000 平方英尺的住宅用地比例
INDUS	proportion of non-retail business acres per town	每个城镇非零售商业用地比例
CHAS	Charles River dummy variable (= 1 if tract bounds river; 0 otherwise)	查尔斯河虚拟变量（1 = 区域靠近河流，0 = 其他）
NOX	nitric oxides concentration (parts per 10 million)	一氧化氮浓度（每千万份之一）
RM	average number of rooms per dwelling	每户平均房间数
AGE	proportion of owner-occupied units built prior to 1940	1940 年前建成的自住房比例
DIS	weighted distances to five Boston employment centres	到五个波士顿就业中心的加权距离
RAD	index of accessibility to radial highways	高速公路可达性指数
TAX	full-value property-tax rate per $10,000	每 $10,000 的全额财产税率
PTRATIO	pupil-teacher ratio by town	城市的学生与教师比例
B	1000(Bk - 0.63)^2 where Bk is the proportion of black people by town	城市中黑人比例
LSTAT	% lower status of the population	较低社会地位人口的百分比

因变量

因变量	英文释义	含义
MEDV	Median value of owner-occupied homes in $1000's	自住房屋的中位数价格（以 $1000 为单位）

3、读取波士顿数据的完整代码

# 导入波士顿数据集
from sklearn.datasets import load_boston# 读取波士顿数据集
data = load_boston()
# 原始数据集是一个字典
# print(data)# for i in data.keys():
#     print(i)# 读取特征数据 13*506
feature_data = data['data']
# print(feature_data)
# print(feature_data.shape)
# 读取房价 1*506
target_data = data['target']
# print(target_data)
# 读取特征名称，13个特征
feature_name = data['feature_names']
# print(feature_name)

糖尿病数据集（回归）

1、数据集内容

load_diabetes() 返回的是一个字典，字典中的元素：

键值	含义	数据类型	数据大小	元素类型	说明示例
data	特征数据	array	10 * 442	float	[-0.04547248, -0.04464164, -0.0730303 , ..., -0.03949338,         -0.00421986,  0.00306441]
target	房价	array	1 * 442	float	179., 185., 118.,
feature_names	特征名称	list	10	str	['age', 'sex', 'bmi', 'bp', 's1', 's2', 's3', 's4', 's5', 's6']
data_filename	特征数据文件名			str	diabetes_data.csv.gz
target_filename	因变量数据文件名			str	diabetes_target.csv.gz
frame					None
data_module				str	sklearn.datasets.data
DESCR	描述			str	对数据的描述

2、特征说明

自变量

特征	英文释义	含义
age	age in years	年龄（以年为单位）
sex	sex	性别
bmi	body mass index	身体质量指数
bp	average blood pressure	平均血压
s1	tc, total serum cholesterol	总血清胆固醇
s2	ldl, low-density lipoproteins	低密度脂蛋白
s3	hdl, high-density lipoproteins	高密度脂蛋白
s4	tch, total cholesterol / HDL	总胆固醇与 HDL 的比值
s5	ltg, possibly log of serum triglycerides level	血清甘油三酯水平的对数
s6	glu, blood sugar level	血糖水平

因变量

英文释义	含义
a quantitative measure of disease progression one year after baseline	一年后的疾病进展的定量衡量

3、读取糖尿病数据的完整代码

# 导入糖尿病数据集
from sklearn.datasets import load_diabetes# 读取糖尿病数据集
data = load_diabetes()
# 原始数据集是一个字典
# print(data)for i in data.keys():print(i)# 读取特征数据 10*442
feature_data = data['data']
# print(feature_data)
# print(feature_data.shape)
# 读取因变量 1*442
target_data = data['target']
# print(target_data)
# 读取特征名称，10个特征
feature_name = data['feature_names']
# print(feature_name)

乳腺癌数据集（二分类）

1、数据集内容

load_breast_cancer()返回的是一个字典，字典中的元素：

键值	含义	数据类型	数据大小	元素类型	说明示例
data	特征数据	array	30 * 569	float	[1.969e+01, 2.125e+01, 1.300e+02, ..., 2.430e-01, 3.613e-01,         8.758e-02]
target	类别	array	1 * 150	int	0, 1
feature_names	特征名称	array	30	str	['mean radius', 'mean texture', 'mean perimeter', 'mean area',        'mean smoothness', 'mean compactness', 'mean concavity',        'mean concave points', 'mean symmetry', 'mean fractal dimension',        'radius error', 'texture error', 'perimeter error', 'area error',        'smoothness error', 'compactness error', 'concavity error',        'concave points error', 'symmetry error',        'fractal dimension error', 'worst radius', 'worst texture',        'worst perimeter', 'worst area', 'worst smoothness',        'worst compactness', 'worst concavity', 'worst concave points',        'worst symmetry', 'worst fractal dimension']
target_names	类别标签	array	2	str	['malignant', 'benign']
frame					None
filename	文件名			str	breast_cancer.csv
data_module				str	sklearn.datasets.data
DESCR	描述			str	对数据的描述

2、特征说明

以下原始特征的均值（mean）、标准误差（standard error）、以及“最差”或最大值（三个最差/最大值的均值）被计算为新的特征，最终得出 30 个特征。

原始特征	英文释义	含义
radius	mean of distances from center to points on the perimeter	半径（从中心到周长上的点的平均距离）
texture	standard deviation of gray-scale values	纹理（灰度值的标准差）
perimeter	perimeter	周长
area	area	面积
smoothness	local variation in radius lengths	平滑度（半径长度的局部变化）
compactness	perimeter^2 / area - 1.0	紧致度（周长的平方除以面积减去1）
concavity	severity of concave portions of the contour	凹陷度（轮廓凹陷部分的严重程度）
concave points	number of concave portions of the contour	凹陷点数（轮廓凹陷部分的数量）
symmetry	symmetry	对称性
fractal dimension	"coastline approximation" - 1	分形维度（“海岸线逼近”）- 1

3、读取乳腺癌数据的完整代码

# 导入乳腺癌数据集
from sklearn.datasets import load_breast_cancer# 读取乳腺癌数据集
data = load_breast_cancer()
# 原始数据集是一个字典
# print(data)# for i in data.keys():
#     print(i)# 读取特征数据 30*569
feature_data = data['data']
# print(feature_data)
# 读取乳腺癌分类数据 1*569
target_data = data['target']
# print(target_data)
# 读取特征名称，30个特征
feature_name = data['feature_names']
# print(feature_name)
# 读取类别标签，2种类型
target_label = data['target_names']
# print(target_label)

红酒数据集（三分类）

1、数据集内容

load_wine()返回的是一个字典，字典中的元素：

键值	含义	数据类型	数据大小	元素类型	说明示例
data	特征数据	array	13 * 178	float	[1.316e+01, 2.360e+00, 2.670e+00, ..., 1.030e+00, 3.170e+00,         1.185e+03]
target	类别	array	1 * 178	int	0, 1, 2
feature_names	特征名称	list	13	str	['alcohol', 'malic_acid', 'ash', 'alcalinity_of_ash', 'magnesium', 'total_phenols', 'flavanoids', 'nonflavanoid_phenols', 'proanthocyanins', 'color_intensity', 'hue', 'od280/od315_of_diluted_wines', 'proline']
target_names	类别标签	array	3	str	['class_0', 'class_1', 'class_2']
frame					None
DESCR	描述			str	对数据的描述

2、特征说明

特征	含义
Alcohol	酒精含量
Malic acid	苹果酸含量
Ash	灰分
Alcalinity of ash	灰分的碱度
Magnesium	镁含量
Total phenols	总酚含量
Flavanoids	黄酮类化合物含量
Nonflavanoid phenols	非黄酮类酚含量
Proanthocyanins	原花青素含量
Color intensity	颜色强度
Hue	色调
OD280/OD315 of diluted wines	稀释葡萄酒在280nm和315nm处的吸光度比值
Proline	脯氨酸含量

3、读取红酒数据的完整代码

# 导入红酒数据集
from sklearn.datasets import load_wine# 读取红酒数据集
data = load_wine()
# 原始数据集是一个字典
# print(data)# for i in data.keys():
#     print(i)# 读取特征数据 13*178
feature_data = data['data']
# print(feature_data)
# 读取红酒分类数据 1*178
target_data = data['target']
# print(target_data)
# 读取特征名称，13个特征
feature_name = data['feature_names']
# print(feature_name)
# 读取类别标签，3种类型
target_label = data['target_names']
# print(target_label)

健身数据集

1、数据集内容

load_linnerud()返回的是一个字典，字典中的元素：

键值	含义	数据类型	数据大小	元素类型	说明示例
data	特征数据	array	3 * 20	float	[ 17., 251., 250.]
target	target数据	array	3 * 20	float	[189.,  37.,  52.]
feature_names	特征名称	list	3	str	['Chins', 'Situps', 'Jumps']
target_names	target名称	list	3	str	['Weight', 'Waist', 'Pulse']
frame					None
data_filename	自变量数据文件名			str	linnerud_exercise.csv
target_filename	因变量数据文件名				linnerud_physiological.csv
data_module				str	sklearn.datasets.data
DESCR	描述			str	对数据的描述

2、特征说明

特征	含义
Chins	引体向上次数
Situps	仰卧起坐次数
Jumps	跳跃次数
Weight	体重
Waist	腰围
Pulse	脉搏率（心率）