scikit-learn 的 datasets 模塊包含測試數據相關函數，主要包括三類：
datasets.load_*()：獲取小規模數據集。數據包含在 datasets 里datasets.fetch_*()：獲取大規模數據集。需要從網絡上下載，函數的第一個參數是 data_home，表示數據集下載的目錄，默認是 ~/scikit_learn_data/。要修改默認目錄，可以修改環境變量SCIKIT_LEARN_DATA。數據集目錄可以通過datasets.get_data_home()獲取。clear_data_home(data_home=None)刪除所有下載數據。datasets.make_*()：本地生成數據集。
數據集格式
-
tuple(X, y)
本地生成數據函數make_*和load_svmlight_*返回的數據是 tuple(X, y) 格式 -
Bunch
load_*和fetch_*函數返回的數據類型是 datasets.base.Bunch，本質上是一個 dict，它的鍵值對可用通過對象的屬性方式訪問。主要包含以下屬性：- data：特征數據數組，是 n_samples * n_features 的二維 numpy.ndarray 數組
- target：標簽數組，是 n_samples 的一維 numpy.ndarray 數組
- DESCR：數據描述
- feature_names：特征名
- target_names：標簽名
獲取小數據集
- load_boston()：
房屋特征-房價，用於regression - load_diabetes()：
糖尿病數據，用於 regression - load_linnerud()：
Linnerud數據集，有多個標簽，用於 multilabel regression - load_iris()：
鳶尾花特征和類別，用於classification - load_digits([n_class])：
手寫數字識別 - load_sample_images()：
載入圖片數據集，共兩張圖 - load_sample_image(name)：
載入圖片數據集中的一張圖 - load_files(container_path, description=None, categories=None, load_content=True, shuffle=True, encoding=None, decode_error='strict', random_state=0)：
從本地目錄獲取文本數據，並根據二級目錄做分類
獲取大數據集
- load_mlcomp(name_or_id, set_='raw', mlcomp_root=None, **kwargs)：
從 http://mlcomp.org/ 上下載數據集 - fetch_california_housing(data_home=None, download_if_missing=True)
- fetch_olivetti_faces(data_home=None, shuffle=False, random_state=0, download_if_missing=True)：
Olivetti 臉部圖片數據集 - fetch_lfw_people(data_home=None, funneled=True, resize=0.5, min_faces_per_person=0, color=False, slice_=(slice(70, 195, None), slice(78, 172, None)), download_if_missing=True)：
- fetch_lfw_pairs(subset='train', data_home=None, funneled=True, resize=0.5, color=False, slice_=(slice(70, 195, None), slice(78, 172, None)), download_if_missing=True)：
Labeled Faces in the Wild (LFW) 數據集，參考 LFW - fetch_20newsgroups(data_home=None, subset='train', categories=None, shuffle=True, random_state=42, remove=(), download_if_missing=True)
- fetch_20newsgroups_vectorized(subset='train', remove=(), data_home=None)：
新聞分類數據集，數據集包含 ‘train’ 部分和 ‘test’ 部分。 - fetch_rcv1(data_home=None, subset='all', download_if_missing=True, random_state=None, shuffle=False)：
路透社新聞語聊數據集 - fetch_mldata(dataname, target_name='label', data_name='data', transpose_data=True, data_home=None)：
從 mldata.org 中下載數據集。參考 PASCAL network - mldata_filename(dataname)：
將 mldata 的數據集名轉換為下載的數據文件名 - fetch_covtype(data_home=None, download_if_missing=True, random_state=None, shuffle=False)
Forest covertypes 數據集
本地生成數據
回歸(regression)
- make_regression(n_samples=100, n_features=100, n_informative=10, n_targets=1, bias=0.0, effective_rank=None, tail_strength=0.5, noise=0.0, shuffle=True, coef=False, random_state=None)
- make_sparse_uncorrelated(n_samples=100, n_features=10, random_state=None)
- make_friedman1(n_samples=100, n_features=10, noise=0.0, random_state=None)
- make_friedman2(n_samples=100, noise=0.0, random_state=None)
- make_friedman3(n_samples=100, noise=0.0, random_state=None)
分類(classification)
單標簽
- make_classification(n_samples=100, n_features=20, n_informative=2, n_redundant=2, n_repeated=0, n_classes=2, n_clusters_per_class=2, weights=None, flip_y=0.01, class_sep=1.0, hypercube=True, shift=0.0, scale=1.0, shuffle=True, random_state=None)：
生成 classification 數據集。包含所有的設置，可以包含噪聲，偏斜的數據集 - make_blobs(n_samples=100, n_features=2, centers=3, cluster_std=1.0, center_box=(-10.0, 10.0), shuffle=True, random_state=None)：
生成 classification 數據集。數據服從高斯分布
centers 可以是整數，表示中心點個數，或者用列表給出每個中心點的特征值
cluster_std 可以是浮點數或浮點數列表
random_state 可以是整數，表示隨機起始 seed，或者 RandomState 對象，默認使用 np.random - make_gaussian_quantiles(mean=None, cov=1.0, n_samples=100, n_features=2, n_classes=3, shuffle=True, random_state=None)：
- make_hastie_10_2(n_samples=12000, random_state=None)：
- make_circles(n_samples=100, shuffle=True, noise=None, random_state=None, factor=0.8)：
- make_moons(n_samples=100, shuffle=True, noise=None, random_state=None)：
多標簽
- make_multilabel_classification(n_samples=100, n_features=20, n_classes=5, n_labels=2, length=50, allow_unlabeled=True, sparse=False, return_indicator='dense', return_distributions=False, random_state=None)：
生成 multilabel classification 數據集。
雙聚類(bicluster)
- make_biclusters(shape, n_clusters, noise=0.0, minval=10, maxval=100, shuffle=True, random_state=None)：
- make_checkerboard(shape, n_clusters, noise=0.0, minval=10, maxval=100, shuffle=True, random_state=None)：
流形學習(manifold learning)
- make_s_curve(n_samples=100, noise=0.0, random_state=None)
- make_swiss_roll(n_samples=100, noise=0.0, random_state=None)、
可降維(decomposition)數據
- make_low_rank_matrix(n_samples=100, n_features=100, effective_rank=10, tail_strength=0.5, random_state=None)
- make_sparse_coded_signal(n_samples, n_components, n_features, n_nonzero_coefs, random_state=None)
- make_spd_matrix(n_dim, random_state=None)
- make_sparse_spd_matrix(dim=1, alpha=0.95, norm_diag=False, smallest_coef=0.1, largest_coef=0.9, random_state=None)
處理 svmlight / libsvm 格式數據
提供 svmlight / libsvm 格式數據的導入或導出。
- load_svmlight_file(f, n_features=None, dtype=numpy.float64, multilabel=False, zero_based='auto', query_id=False)：
返回 (X, y, [query_id])，其中 X 是 scipy.sparse matrix，y 是 numpy.ndarray - load_svmlight_files(files, n_features=None, dtype=numpy.float64, multilabel=False, zero_based='auto', query_id=False)
- dump_svmlight_file(X, y, f, zero_based=True, comment=None, query_id=None, multilabel=False)
其他數據集網站
UCI Machine Learning Repository：http://archive.ics.uci.edu/ml/datasets.html
UCI KDD：http://kdd.ics.uci.edu/summary.data.type.html
Kaggle：https://www.kaggle.com/datasets
參考
官方datasets包文檔：http://scikit-learn.org/stable/datasets/index.html
API列表：http://scikit-learn.org/stable/modules/classes.html#module-sklearn.datasets