欢迎关注微信公众号：简说Python
本文授权转载自机器学习初学者 禁止二次转载初学者学习机器学习的时候，经常会找不到练习的数据，实际上scikit-learn内置了很多可以用于机器学习的数据，可以用两行代码就可以使用这些数据。
自带的小的数据集为：sklearn.datasets.load_<name>
load_bostonBoston房屋价格回归506*13fetch_california_housing加州住房回归20640*9load_diabetes糖尿病回归442*10load_digits手写字分类1797*64load_breast_cancer乳腺癌分类、聚类(357+212)*30load_iris鸢尾花分类、聚类(50*3)*4load_wine葡萄酒分类(59+71+48)*13load_linnerud体能训练多分类20怎么用：
数据集的信息关键字：
DESCR：
数据集的描述信息
data：
内部数据（即：X）
feature_names：
数据字段名
target：
数据标签（即：y）
target_names：
标签字段名(回归数据集无此项）
数据介绍：
一般用于做分类测试
有150个数据集，共分为3类，每类50个样本。每个样本有4个特征。
每条记录都有 4 项特征：包含4个特征（Sepal.Length（花萼长度）、Sepal.Width（花萼宽度）、Petal.Length（花瓣长度）、Petal.Width（花瓣宽度）），特征值都为正浮点数，单位为厘米。
可以通过这4个特征预测鸢尾花卉属于（iris-setosa（山鸢尾）, iris-versicolour（杂色鸢尾）, iris-virginica（维吉尼亚鸢尾））中的哪一品种。
第一步：
导入数据
from sklearn.datasets import load_iris iris = load_iris() X, y = iris.data, iris.target X.shape,y.shape iris.feature_names输出为：
划分训练集和测试集:
from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)这样就把训练集和测试集按照3比1划分了，接下来就可以用机器学习算法进行训练和测试了。
小技巧：将数据转换为Dataframe格式（两种方法都可以）：
import pandas as pd df_X = pd.DataFrame(iris.data, columns=iris.feature_names) #这个是X df_y = pd.DataFrame(iris.target, columns=["target"]) #这个是y df=pd.concat([df_X,df2],axis=1)#横向合并 df.head()或者：
import numpy as np import pandas as pd col_names = iris['feature_names'] + ['target'] df = pd.DataFrame(data= np.c_[iris['data'], iris['target']], columns=col_names) df.head()输出结果一致：
下载的数据集为：sklearn.datasets.fetch_<name>
这类数据需要在线下载，有点慢
fetch_20newsgroups
用于文本分类、文本挖据和信息检索研究的国际标准数据集之一。数据集收集了大约20,000左右的新闻组文档，均匀分为20个不同主题的新闻组集合。返回一个可以被文本特征提取器
fetch_20newsgroups_vectorized
这是上面这个文本数据的向量化后的数据，返回一个已提取特征的文本序列，即不需要使用特征提取器
fetch_california_housing
加利福尼亚的房价数据，总计20640个样本，每个样本8个属性表示，以及房价作为target，所有属性值均为number，详情可调用fetch_california_housing()['DESCR']了解每个属性的具体含义；
fetch_covtype
森林植被类型，总计581012个样本，每个样本由54个维度表示（12个属性，其中2个分别是onehot4维和onehot40维），以及target表示植被类型1-7，所有属性值均为number，详情可调用fetch_covtype()['DESCR']了解每个属性的具体含义
fetch_kddcup99
KDD竞赛在1999年举行时采用的数据集，KDD99数据集仍然是网络入侵检测领域的事实Benckmark，为基于计算智能的网络入侵检测研究奠定基础，包含41项特征
fetch_lfw_pairs
该任务称为人脸验证：给定一对两张图片，二分类器必须预测这两个图片是否来自同一个人。
fetch_lfw_people
打好标签的人脸数据集
fetch_mldata
从 mldata.org 中下载数据集
fetch_olivetti_faces
Olivetti 脸部图片数据集
fetch_rcv1
路透社新闻语聊数据集
fetch_species_distributions
物种分布数据集
使用方法与自带数据集一致，只是多了下载过程（示例：fetch_20newsgroups）
from sklearn.datasets import fetch_20newsgroups news = fetch_20newsgroups(subset='all') #本次使用的数据需要到互联网上下载 from sklearn.model_selection import train_test_split #对数据训练集和测试件进行划分 X_train, X_test, y_train, y_test = train_test_split( news.data, news.target, test_size=0.25, random_state=33)可以用来分类任务，可以用来回归任务，可以用来聚类任务，用于流形学习的，用于因子分解任务的，用于分类任务和聚类任务的：这些函数产生样本特征向量矩阵以及对应的类别标签集合
make_blobs：多类单标签数据集，为每个类分配一个或多个正态分布的点集
make_classification：多类单标签数据集，为每个类分配一个或多个正态分布的点集，提供了为数据添加噪声的方式，包括维度相关性，无效特征以及冗余特征等
make_gaussian-quantiles：将一个单高斯分布的点集划分为两个数量均等的点集，作为两类
make_hastie-10-2：产生一个相似的二元分类数据集，有10个维度
make_circle和make_moons：产生二维二元分类数据集来测试某些算法的性能，可以为数据集添加噪声，可以为二元分类器产生一些球形判决界面的数据
举例：
import matplotlib.pyplot as plt from sklearn.datasets import make_moons X, y = make_moons(n_samples=100, noise=0.15, random_state=42) plt.title('make_moons function example') plt.scatter(X[:,0],X[:,1],marker='o',c=y) plt.show()kaggle：
https://www.kaggle.com
天池：
https://tianchi.aliyun.com/dataset
搜狗实验室：
http://www.sogou.com/labs/resource/list_pingce.php
DC竞赛：
https://www.pkbigdata.com/common/cmptIndex.html
DF竞赛：
https://www.datafountain.cn/datasets
总结
本文为机器学习初学者提供了使用scikit-learn内置数据的方法，用两行代码就可以使用这些数据，可以进行大部分的机器学习实验了。
参考
https://scikit-learn.org/stable/datasets/index.html
每日 留言 说说你读完本文感受？ 或者一句激励自己的话？ （字数不少于15字） 怎么 加入 刻 意 学 习队 伍 留言 有啥 福利 想进学 习交流 群 加 微信： jjxksa888 备 注 ：简说Python