SciKit-Learn 加载数据集

---

章节

• SciKit-Learn 加载数据集
• SciKit-Learn 数据集基本信息
• SciKit-Learn 使用matplotlib可视化数据
• SciKit-Learn 可视化数据:主成分分析(PCA)
• SciKit-Learn 预处理数据
• SciKit-Learn K均值聚类
• SciKit-Learn 支持向量机
• SciKit-Learn 速查

---

数据科学中的第一步通常都是加载数据，我们首先学习怎么使用SciKit-Learn来加载数据集。

数据集的来源，通常有2个：

• 自己准备
• 第三方处获取

如果你不是研究人员，一般都会选择从第三方获取。有一些网站上，可以获取数据集：

• openml
• UCI 机器学习库
• Kaggle

这个网页上，列出了很多数据集分享地址：https://www.kdnuggets.com/datasets/index.html。

注意：SciKit-Learn是SciKit库的一部分，SciKit意思是SciPy Tookits，名字来源于SciPy库，SciKit基于SciPy库构建，除了SciKit-Learn，还包含其他很多模块，可以打开这个网址查看。SciKit-Learn库是专注于机器学习和数据挖掘的模块。

SciKit-Learn库中也自带一些数据集，我们可以尝试加载。

先从sklearn导入数据集模块，然后，可以使用数据集中的load_digits()方法加载数据:

# Import `datasets` from `sklearn`
from sklearn import datasets

# 加载 `digits` 数据集
digits = datasets.load_digits()

# 打印 `digits` 数据
print(digits)

输出

{'data': array([[ 0.,  0.,  5., ...,  0.,  0.,  0.],
       [ 0.,  0.,  0., ..., 10.,  0.,  0.],
       [ 0.,  0.,  0., ..., 16.,  9.,  0.],
       ...,
       [ 0.,  0.,  1., ...,  6.,  0.,  0.],
       [ 0.,  0.,  2., ..., 12.,  0.,  0.],
       [ 0.,  0., 10., ..., 12.,  1.,  0.]]), 'target': array([0, 1, 2, ..., 8, 9, 8]), 'target_names': array([0, 1, 2, 3, 4, 5, 6, 7,
8, 9]), 'images': array([[[ 0.,  0.,  5., ...,  1.,  0.,  0.],
        [ 0.,  0., 13., ..., 15.,  5.,  0.],
        [ 0.,  3., 15., ..., 11.,  8.,  0.],

        ...

datasets模块中也包含了获取其他流行数据集的方法，例如datasets.fetch_openml可以从openml存储库获取数据集。

上面示例中的数据集，也可以从这个网址获取：http://archive.ics.uci.edu/ml/machine-learning-databases/optdigits/

# 导入 `pandas` 库
import pandas as pd

# 使用 `read_csv()` 加载数据集
digits = pd.read_csv("http://archive.ics.uci.edu/ml/machine-learning-databases/optdigits/optdigits.tra", header=None)

# 打印 `digits` 数据
print(digits)

可以看到，上面下载网址中的文件后缀是.tra，表示是训练(train)数据集，在这个页面内还可以看到.tes文件，表示是测试(test)数据集，所以上面加载的数据集，是已经分割好训练数据集和测试数据集的。上面示例中，只加载了训练数据集。