SciKit-Learn 加載數據集

---

章節

• SciKit-Learn 加載數據集
• SciKit-Learn 數據集基本信息
• SciKit-Learn 使用matplotlib可視化數據
• SciKit-Learn 可視化數據:主成分分析(PCA)
• SciKit-Learn 預處理數據
• SciKit-Learn K均值聚類
• SciKit-Learn 支持向量機
• SciKit-Learn 速查

---

數據科學中的第一步通常都是加載數據，我們首先學習怎么使用SciKit-Learn來加載數據集。

數據集的來源，通常有2個：

• 自己准備
• 第三方處獲取

如果你不是研究人員，一般都會選擇從第三方獲取。有一些網站上，可以獲取數據集：

• openml
• UCI 機器學習庫
• Kaggle

這個網頁上，列出了很多數據集分享地址：https://www.kdnuggets.com/datasets/index.html。

注意：SciKit-Learn是SciKit庫的一部分，SciKit意思是SciPy Tookits，名字來源於SciPy庫，SciKit基於SciPy庫構建，除了SciKit-Learn，還包含其他很多模塊，可以打開這個網址查看。SciKit-Learn庫是專注於機器學習和數據挖掘的模塊。

SciKit-Learn庫中也自帶一些數據集，我們可以嘗試加載。

先從sklearn導入數據集模塊，然后，可以使用數據集中的load_digits()方法加載數據:

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

# 加載 `digits` 數據集
digits = datasets.load_digits()

# 打印 `digits` 數據 
print(digits)

輸出

{'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模塊中也包含了獲取其他流行數據集的方法，例如datasets.fetch_openml可以從openml存儲庫獲取數據集。

上面示例中的數據集，也可以從這個網址獲取：http://archive.ics.uci.edu/ml/machine-learning-databases/optdigits/

# 導入 `pandas` 庫
import pandas as pd

# 使用 `read_csv()` 加載數據集
digits = pd.read_csv("http://archive.ics.uci.edu/ml/machine-learning-databases/optdigits/optdigits.tra", header=None)

# 打印 `digits` 數據
print(digits)

可以看到，上面下載網址中的文件后綴是.tra，表示是訓練(train)數據集，在這個頁面內還可以看到.tes文件，表示是測試(test)數據集，所以上面加載的數據集，是已經分割好訓練數據集和測試數據集的。上面示例中，只加載了訓練數據集。