Python开源数据集

1、工具库介绍

为了使初学者更容易入门，许多开源库提供了丰富而标准化的示例数据集，其中包括scikit-learn、NLTK、TensorFlow Datasets、Keras Datasets、Statsmodels以及Seaborn等。

1. Scikit-learn： Scikit-learn是一个用于机器学习和数据挖掘的Python开源库，提供了丰富而灵活的工具，用于数据预处理、模型选择、分类、回归等机器学习任务。
2. Seaborn Datasets: Seaborn是一个用于绘制统计图形的库，同时也包含一些用于数据可视化的示例数据集，可通过seaborn.load_dataset加载。
3. Statsmodels Datasets: Statsmodels是一个用于估计和统计模型的库，它包含一些示例数据集，用于演示其统计模型的应用。
4. TensorFlow Datasets (tfds): TensorFlow Datasets是由TensorFlow提供的一个库，其中包含了各种用于机器学习的数据集。
5. PyTorch Datasets: PyTorch也提供了一些内置数据集，可通过torchvision.datasets等模块进行访问。这些数据集通常用于计算机视觉任务。
6. Keras Datasets: Keras（现在是TensorFlow的一部分）包含一些内置数据集，特别是用于深度学习的图像和文本数据集。
7. NLTK (Natural Language Toolkit): NLTK是用于自然语言处理的库，提供了一些文本数据集，如语料库和语言模型。

2、scikit-learn(sklearn)

scikit-learn（sklearn）中常用数据集以及加载和探索它们的示例代码：

1、鸢尾花数据集（Iris Dataset）： 包含150朵鸢尾花的数据集，每朵花属于三个不同的物种，可以用于各种分类任务的练习。

1 from sklearn.datasets import load_iris
2
3 iris = load_iris()
4 X, y = iris.data, iris.target
5
6 # 现在 X 包含特征，y 包含标签

2、手写数字数据集（Digits Dataset）：包含8x8像素的手写数字图像数据集，涵盖数字0到9

1 from sklearn.datasets import load_digits
2
3 digits = load_digits()
4 X, y = digits.data, digits.target
5
6 # 现在 X 包含特征，y 包含标签

3、乳腺癌数据集（Breast Cancer Dataset）：

• 用于乳腺癌诊断的数据集，包含从乳腺块的数字化图像中计算的特征。

1 from sklearn.datasets import load_breast_cancer
2
3 cancer = load_breast_cancer()
4 X, y = cancer.data, cancer.target
5
6 # 现在 X 包含特征，y 包含标签

4、葡萄酒数据集（Wine Dataset）：

• 包含来自三种不同葡萄品种的葡萄酒的化学分析结果。

1 from sklearn.datasets import load_wine
2
3 wine = load_wine()
4 X, y = wine.data, wine.target
5
6 # 现在 X 包含特征，y 包含标签

5、糖尿病数据集（Diabetes Dataset）：

• 用于糖尿病患者的数据集，包含十个基线变量，如年龄、性别、体重指数、平均血压和六项血清测量。

1 from sklearn.datasets import load_diabetes
2
3 diabetes = load_diabetes()
4 X, y = diabetes.data, diabetes.target
5
6 # 现在 X 包含特征，y 包含标签

3、Statsmodels

statsmodels库提供了一些用于估计和统计模型的示例数据集。以下是一些常见的statsmodels数据集：

1、Anes96数据集：美国1996年总统选举的调查数据，包含有关选民投票的信息

import statsmodels.api as sm
anes96 = sm.datasets.anes96.load_pandas().data

 2、Ccard数据集：包含有关信用卡持有者和非持有者的信息。

import statsmodels.api as sm
ccard = sm.datasets.ccard.load_pandas().data

3、Copper数据集：

• 描述了铜价格和生产量的时间序列数据。

import statsmodels.api as sm
copper = sm.datasets.copper.load_pandas().data

4、Longley 数据集:

• 由经济学家 Robert Longley 创建的数据集，包含了20世纪50年代至60年代初期的美国经济数据。

import statsmodels.api as sm
longley = sm.datasets.longley.load_pandas().data

5、Macrodata 数据集:

• 包含美国宏观经济数据的时间序列。

import statsmodels.api as sm
macrodata = sm.datasets.macrodata.load_pandas().data

6、Nile 数据集:

• 描述了尼罗河每年的水位。

import statsmodels.api as sm
nile = sm.datasets.nile.load_pandas().data

4、Seaborn

Seaborn是一个基于Matplotlib的数据可视化库，它提供了一些示例数据集，用于绘制统计图形。以下是一些常见的Seaborn数据集：

1、Tips 数据集:

• 包含餐厅顾客给出的小费、总账单、顾客性别、就餐日期和就餐时间等信息。

import seaborn as sns
tips = sns.load_dataset("tips")

2、Flights 数据集:

• 包含了每个月的航班乘客数量的时间序列数据。

import seaborn as sns
flights = sns.load_dataset("flights")

3、Iris 数据集:

• 鸢尾花数据集，包含了三种不同鸢尾花的花瓣和萼片的测量值。

import seaborn as sns
iris = sns.load_dataset("iris")

4、Titanic 数据集:

• 包含了泰坦尼克号乘客的信息，如年龄、性别、仓位等，以及是否幸存的信息。

import seaborn as sns
titanic = sns.load_dataset("titanic")

5、Planets 数据集:

• 包含有关已知系外行星的信息，如发现日期、质量、距离等。

import seaborn as sns
planets = sns.load_dataset("planets")

5、PyTorch

PyTorch 提供了一些内置的数据集，这些数据集通常用于计算机视觉任务，可以使用 torchvision 库来访问这些数据集。以下是一些常见的 PyTorch 数据集及其加载代码：

1、MNIST 数据集:

• 包含手写数字（0到9）的灰度图像。

import torchvision.datasets as datasets

mnist_train = datasets.MNIST(root="./data", train=True, download=True)
mnist_test = datasets.MNIST(root="./data", train=False, download=True)

2、CIFAR-10 数据集:

• 包含 10 个不同类别的彩色图像。

import torchvision.datasets as datasets

cifar10_train = datasets.CIFAR10(root="./data", train=True, download=True)
cifar10_test = datasets.CIFAR10(root="./data", train=False, download=True)

3、Fashion MNIST 数据集:

• 与 MNIST 类似，但包含了 10 种不同的时尚物品的灰度图像。

import torchvision.datasets as datasets

fashion_mnist_train = datasets.FashionMNIST(root="./data", train=True, download=True)
fashion_mnist_test = datasets.FashionMNIST(root="./data", train=False, download=True)

4、ImageNet 数据集:

• 包含大量类别的图像，用于图像分类任务。

import torchvision.datasets as datasets

# 需要指定 ImageNet 数据集的路径
imagenet_train = datasets.ImageNet(root="./imagenet", split="train", download=True)
imagenet_val = datasets.ImageNet(root="./imagenet", split="val", download=True)

6、Tensorflow Datasets

TensorFlow Datasets (tfds) 是 TensorFlow 提供的一个库，用于加载和管理各种机器学习数据集。以下是一些常见的 TensorFlow Datasets 及其加载代码：

1、MNIST 数据集:

• 包含手写数字（0到9）的灰度图像。

import tensorflow_datasets as tfds

mnist, info = tfds.load("mnist", with_info=True)

2、CIFAR-10 数据集:

• 包含 10 个不同类别的彩色图像。

import tensorflow_datasets as tfds

cifar10, info = tfds.load("cifar10", with_info=True)

3、IMDB 电影评论数据集:

• 包含来自 Internet Movie Database (IMDB) 的电影评论，用于情感分析任务。

import tensorflow_datasets as tfds

imdb, info = tfds.load("imdb_reviews", with_info=True)

4、Fashion MNIST数据集:

• 与 MNIST 类似，但包含了 10 种不同的时尚物品的灰度图像。

import tensorflow_datasets as tfds

fashion_mnist, info = tfds.load("fashion_mnist", with_info=True)

 5、tf_flowers 数据集:

• 包含五个不同类别的花卉图像。

import tensorflow_datasets as tfds

flowers, info = tfds.load("tf_flowers", with_info=True)

7、Keras

在Keras中，keras.datasets模块提供了一些内置的数据集，用于快速测试和构建深度学习模型。以下是一些常见的Keras数据集及其加载代码：

1、MNIST 数据集:

• 包含手写数字（0到9）的灰度图像。

from keras.datasets import mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()

 2、CIFAR-10 数据集:

• 包含 10 个不同类别的彩色图像。

from keras.datasets import cifar10

(x_train, y_train), (x_test, y_test) = cifar10.load_data()

 3、Fashion MNIST 数据集:

• 与 MNIST 类似，但包含了 10 种不同的时尚物品的灰度图像。

from keras.datasets import fashion_mnist

(x_train, y_train), (x_test, y_test) = fashion_mnist.load_data()

 4、IMDB 电影评论数据集:

• 包含来自 Internet Movie Database (IMDB) 的电影评论，用于情感分析任务。

from keras.datasets import imdb

(x_train, y_train), (x_test, y_test) = imdb.load_data()

 5、Boston Housing 数据集:

• 包含波士顿地区的房价数据，用于回归任务。

from keras.datasets import boston_housing

(x_train, y_train), (x_test, y_test) = boston_housing.load_data()