、

?????????Sklearn全稱:Scipy-toolkit? Learn是?一個基于scipy實現的的開源機器學習庫。它提供了大量的算法和工具，用于數據挖掘和數據分析，包括分類、回歸、聚類等多種任務。本文我將帶你了解并入門Sklearn下的datasets在機器學習中的基本用法。

獲取方式

pip install scikit-learn

模塊結構

????????在Python中，要想熟練地使用一個庫來完成各種任務，那么我們必須得對這個庫內各個模塊的結構比較熟悉才可以，觀察Scikit-learn源代碼中的第一級模塊，我們不難畫出這樣的一個樹狀圖用來描述其結構:

? ? ? ? 在這其中，datasets為內置數據集，剩下的2-13基本包含了整個機器學習中所有比較經典的算法，后邊七個模塊是我們在進行機器學習任務時常用的工具。

????????后續，我將分別為大家介紹這20個模塊的基本用法，本文我們著重來了解datasets這個模塊的基本用法。

datasets

????????datasets是sklearn中用來加載預置數據集的模塊，其內部主要有以下數據集:

所有數據集

數據集名稱??	??導入方式??	??樣本數×特征數??	??描述??
??load_iris??	from sklearn.datasets import load_iris	150×4	鳶尾花數據集，包含3類鳶尾花的4個特征（花萼/花瓣長寬）
??load_digits??	from sklearn.datasets import load_digits	1797×64	手寫數字（0-9）的8x8像素圖像，共10類
??load_wine??	from sklearn.datasets import load_wine	178×13	葡萄酒化學分析數據，3類意大利不同品種葡萄酒
??load_breast_cancer??	from sklearn.datasets import load_breast_cancer	569×30	乳腺癌診斷數據，2類（惡性/良性），特征為細胞核的30項測量值
??load_diabetes??	from sklearn.datasets import load_diabetes	442×10	糖尿病進展指標，10個生理特征（年齡、BMI等），目標為定量病情進展
??fetch_california_housing??	from sklearn.datasets import fetch_california_housing	20640×8	加州房價數據，包含收入、房齡等特征，目標為房屋中位數價格（回歸問題）
??fetch_olivetti_faces??	from sklearn.datasets import fetch_olivetti_faces	400×4096	40人的人臉圖像（每人10張），64x64像素，用于人臉識別
??fetch_20newsgroups??	from sklearn.datasets import fetch_20newsgroups	文本數據（約18k篇）	20個新聞組的文本分類數據，需文本向量化處理
??make_classification??	from sklearn.datasets import make_classification	可自定義（默認100×20）	生成合成分類數據，可控制樣本數、特征數、類別數等
??make_regression??	from sklearn.datasets import make_regression	可自定義（默認100×100）	生成合成回歸數據，可控制噪聲、特征重要性等
??make_blobs??	from sklearn.datasets import make_blobs	可自定義（默認100×2）	生成各向同性高斯分布的聚類數據，適用于聚類算法測試
??make_moons??	from sklearn.datasets import make_moons	可自定義（默認100×2）	生成半月形非線性可分數據，用于測試分類算法
??make_circles??	from sklearn.datasets import make_circles	可自定義（默認100×2）	生成同心圓非線性可分數據，用于測試分類算法

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
#加載iris數據集
iris=load_iris()
X=iris.data#特征 (150, 4)
y=iris.target#三種花的類別(0,1,2)
feature_names=iris.feature_names
target_names=iris.target_names
#繪制花萼長度與寬度，其為data下的第0與第1特征
#y==0,y==1,y==2分別表示三中不同類別的花
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]) #花萼長度
plt.ylabel(feature_names[1]) # 花萼寬度
plt.title("鳶尾花數據集:花萼長度VS花萼寬度")
plt.legend()
plt.show()

結果

數據集加載方法?

????????sklearn所有的load_數據集名稱函數的返回值為一個字典(不指定return_Xy=True時)，這個字典內部包含的所有屬性為:

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

??????????以load_iris()函數的返回值為例，?其中data是大小為指定形狀的ndarray類型數據，feature_names是data中的所有特征名稱構成的列表，feature_names的長度即為data.shape[1]的值也就是data對應的列數,target為數據集的目標變量(監督學習中的標簽或輸出值,在iris數據集中為三種類型的花的名稱)?也是ndarray的類型?

??鍵（Key）??	??數據類型??	??含義??
data	numpy.ndarray?(150×4)	特征數據矩陣，每行代表一個樣本，每列代表一個特征（花萼/花瓣的長度和寬度）。
target	numpy.ndarray?(150,)	目標標簽（類別），整數編碼： 0=setosa,?1=versicolor,?2=virginica。
frame	pandas.DataFrame	包含?data?和?target?的DataFrame（需?as_frame=True?時返回）。
target_names	numpy.ndarray?(3,)	目標類別名稱，對應?target?的標簽： ['setosa', 'versicolor', 'virginica']。
feature_names	list?(4,)	特征名稱列表： ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']。
DESCR	str	數據集的完整描述（字符串），包含來源、特征解釋等信息。
filename	str	數據文件的路徑（通常用于本地存儲的數據集）。

我們在使用時可以通過以下幾種方式來獲取

通過索引獲取?

from sklearn.datasets import load_iris
'''iris為包含['data', 'target','target_names', 'feature_names]等健的一個字典'''
iris=load_iris()
data=iris['data']
print(data)

通過屬性獲取?

from sklearn.datasets import load_iris
'''iris為包含['data', 'target','target_names', 'feature_names]等健的一個字典'''
iris=load_iris()
print(iris.data)

????????二者得到的結果是一致的。當然，為了方便我們還可以只返回data與target，需要指定return_Xy=True,此時返回值為tuple類型包含data與target

只獲取data與target

????????當我們將return_X_y指定為True時,函數返回值為data與target構成的tuple

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

????????

獲取Dataframe格式數據

????????當我們將as_frame指定為True時,函數的返回值仍然為字典,要想獲取dataframe格式的數據需要通過索引的方式來獲取,即'frame'。

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

總結

????????以上便是?Sklearn入門之datasets的基本用法的所有內容，如果本文對你有用，免費的三連來一波，感謝各位大佬支持。后續，我還將繼續介紹sklearn中其他模塊的使用方法。