tensorflow入门（二）鸢尾花数据集

鸢尾花数据集

鸢尾花数据集是在加拿大的加斯帕半岛，在同一时间的同一个时段，在相同的牧场上由同一个人使用相同的测量仪器测量出来的。
包括三种鸢尾花类别，每个类别有50个样本，每个样本中包括4种鸢尾花的属性特征，和鸢尾花的品种。

这4种属性特征分别是花萼的长度和宽度，花瓣的长度和宽度，花萼是花的最外面一层的叶片。
这是鸢尾花数据集中的一部分数据。

可以看到前4列分别对应4种属性特征，最后一列是鸢尾花的品种，也就是数据的标签，这个数据集中包含的三个品种分别是山鸢尾，变色鸢尾和维基尼亚鸢尾。

鸳尾花数据集不是tensorflow和keras中集成了内置数据集，因此在使用之前，首先需要下载这些数据集。

在tensorflow中，要从指定的网络地址下载数据集，可以使用keras.utils模块中自带的下载函数get_file()。

tk.keras.utils.get_file(fname, origin, cache_dir)

其中参数

• fname是下载后的文件名
• origin表示文件的url地址
• cache_dir表示下载后文件所存储的位置，这是windows系统中下载后的默认保存路径。
  c:\Users\Administrator\.keras\datasets

这个函数的返回值是下载后的文件在本地磁盘中的绝对路径。
在执行这个函数时，首先会检查要下载的文件，fname是否存在，如果不存在则会根据origin参数提供的url地址下载文件，并把它命名为fname，存储在指定目录下，并返回文件地址。如果文件已经存在，则不再下载文件，直接返回文件地址。

下载鸢尾花数据集iris

我们使用get_file()函数来下载数据集

鸢尾花数据集划分为训练数据集和测试数据集，分别放在不同的两个文件中，文件名是iris_training.csv和iris_test.cvs。其中，训练数据集中有12条数据，测试数据集有30条数据。

这里我们只下载训练数据集。

TRAIN_URL = "http://download.tensorflow.org/data/iris_training.csv"
train_path = tf.keras.utils.get_file("iris_train.csv", TRAIN_URL)

第一次执行这段代码时，会下载数据集。

这个数据集很小，所以下载的速度非常快。执行这段代码后，就可以在下载路径中找到这个数据及文件了。

csv文件

Csv文件是一种字符分割的文件，以纯文本形式存储表格。可以使用记事本打开，也可以使用Excel打开。
下面使用Excel打开这个文件

第1行这个120表示一共有120行数据。数据样本从第2行开始到第121行，所有数据都有5列。
其中前4列是鸢尾花的属性，第5列是鸳尾花的品种，用整数0，1，2分别表示山鸢尾，变色鸢尾和维基尼亚鸢尾。

下载数据集

如果以后要下载其他数据集，只需要改变url和fname就可以了。
为了提高代码的通用性，我们使用split()函数来分割字符串。

# 下载数据集
TRAIN_URL = "http://download.tensorflow.org/data/iris_training.csv"
train_path = tf.keras.utils.get_file(TRAIN_URL.split('/')[-1], TRAIN_URL)

Pandas访问csv数据集

Pandas库

Pandas的名称来自于panel data和data analysis，是Python环境下最有名的用于数据统计和分析的第三方库。通过它可以高效方便的访问和操作大型数据集，在Anaconda中已经自带了pandas库，可以直接使用import语句导入，通常别名为pd。

import pandas as pd

Pandas二维数据基本操作

读取csv数据集文件

Pandas中使用read_csv()方法读取csv格式的数据文件。

pd.read_csv(filepath_or_buffer, header, names)
pd.read_csv(C:\Users\dell\.keras\datasets\iris_train.csv)

其中参数filepath_or_buffer是文件名，可以是绝对路径也可以是相对路径。
如果之前没有下载，那么使用get _file()函数下载数据集的返回值就是数据集文件在本地磁盘中的绝对路径，可以直接使用它作为read_csv()函数的参数。
这是运行结果。

可以看到返回值是一个二维表格，其中一共有120行，5列。
将read_csv()函数的返回值赋值给变量df_iris，并输出它的数据类型，

df_iris = pd.read_csv(train_path)
print(type(df_iris))

这个DataFrame是二维表格类型，它是pandas中的一种非常常用的数据类型。

设置列标题

在read_csv()函数中，可以通过header参数指定数据表中的某一行或者某几行作为列标题，也就是表头。

pd.read_csv(filepath_or_buffer, header, names)

header的取值是行号，行号从0开始。

• header=0，第一行的数据作为列标题（默认设置）
• header=None，没有列标题

例如：

• header=0，第一行数据作为列标题

df_iris = pd.read_csv(train_path, header=0)
df_iris.head()

运行结果：

可以看到数据集中的第1行数据被当做了列标题，但是这一行数据其实并不是列标题，这些数据分别是样本的条数以及三种鸢尾花的名称，因此我们把header设置为None表示数据文件中没有表头。

• header=None，第一行数据作为列标题

df_iris = pd.read_csv(train_path, header=None)
df_iris.head()

运行结果：

可以看到系统自动的加上了数字序列，0~4作为列标题，这样显然并不友好，第1行数据现在被作为了数据样本，这样也不对，这一行数据既不是列标题，也不是数据样本，为了正确的显示列标题和数据样本，可以设置read_csv()方法中的names参数。

names参数

自定义列标题，代替header参数指定的列标题。

pd.read_csv(filepath_or_buffer, header, names)

names参数的值是一个列表用来指定自定义列标题，从而代替header参数指定的列标题。

在这个例子中，我们希望自己定义一个更加友好的列标题，并且不显示第1行数据，可以首先使用header=0，把第1行看作列标题，然后再使用names参数指定新的列标题替换掉原有的列标题。

COLUMN_NAMES = ['SepalLength', 'SepalWidth', 'PetalLength', 'PetalWidth', 'Species']
df_iris = pd.read_csv(train_path, header=0, names=COLUMN_NAMES)
df_iris.head()

运行结果：

可以看到COLUMN_NAMES中的元素被显示为表头了

访问数据

head()函数：参数为空时，默认读取二维数据表中的前5行数据。
也可以设置参数n，读取前n行数据

head(n)

tail()函数：读取后n行数据

tail(n)

参数为空时，读取后5行数据。

如果要更加灵活的读取指定的数据行，可以使用索引和切片

df_iris[10:16]

这是读取行号 10 - 15 的数据样本

显示统计信息

describe()方法：显示二维数组的统计信息。

describe()

从而了解数据是否有缺失，以及数据的分布情况。

DataFrame的常用属性：ndim、size、shape

属性	描述
ndim	数据表的维数
shape	数据表的形状
size	数据表元素的总个数

df_iris.ndim
# 2
df_iris.shape
# (120, 5)
df_iris.size
# 600

转化为NumPy数组

在对DataFrame数据进行后续处理时，经常需要将它转换成NumPy数组。这时，可以直接使用NumPy中的创建数组函数array()

iris = np.array(df_iris)
print(type(df_iris))
# <class 'pandas.core.frame.DataFrame'>
print(type(iris))
# <class 'numpy.ndarray'>

也可以使用.values和.as_matrix()来将Dataframe转化为数组

iris = df_iris.values
iris = df_iris.as_matrix()

访问数组元素–索引和切片

转化为NumPy后，也可以使用数组的索引和切片访问指定的数据。
例如：

• 读取前六行数据

iris[0:6]
"""
array([[6.4, 2.8, 5.6, 2.2, 2. ],
       [5. , 2.3, 3.3, 1. , 1. ],
       [4.9, 2.5, 4.5, 1.7, 2. ],
       [4.9, 3.1, 1.5, 0.1, 0. ],
       [5.7, 3.8, 1.7, 0.3, 0. ],
       [4.4, 3.2, 1.3, 0.2, 0. ]])
"""

• 读取前六行数据的前4列

iris[0:6, 0:4]
"""
array([[6.4, 2.8, 5.6, 2.2],
       [5. , 2.3, 3.3, 1. ],
       [4.9, 2.5, 4.5, 1.7],
       [4.9, 3.1, 1.5, 0.1],
       [5.7, 3.8, 1.7, 0.3],
       [4.4, 3.2, 1.3, 0.2]])
"""

• 得到所有数据行中“鸢尾花的种类”的取值

iris[:, 4]
"""
array([2., 1., 2., 0., 0., 0., 0., 2., 1., 0., 1., 1., 0., 0., 2., 1., 2.,
       2., 2., 0., 2., 2., 0., 2., 2., 0., 1., 2., 1., 1., 1., 1., 1., 2.,
       2., 2., 2., 2., 0., 0., 2., 2., 2., 0., 0., 2., 0., 2., 0., 2., 0.,
       1., 1., 0., 1., 2., 2., 2., 2., 1., 1., 2., 2., 2., 1., 2., 0., 2.,
       2., 0., 0., 1., 0., 2., 2., 0., 1., 1., 1., 2., 0., 1., 1., 1., 2.,
       0., 1., 1., 1., 0., 2., 1., 0., 0., 2., 0., 0., 2., 1., 0., 0., 1.,
       0., 1., 0., 0., 0., 0., 1., 0., 2., 1., 0., 2., 0., 1., 1., 0., 0.,
       1.])
"""

Pandas拥有丰富的数据处理函数，不仅可以处理二维数据表，还支持时间序列分析，具有非常强大的数据分析能力。

鸢尾花数据集可视化

这里，我们依然借助数据可视化的方法来观察鸢尾花的数据。

鸢尾花数据散点图

在这张图中，横坐标和列坐标分别是鸢尾花的花瓣长度和花瓣宽度。不同颜色代表不同种类的鸢尾花。
很容易看出来，花瓣最窄最短的是山鸢尾，花瓣最长最宽的是维基尼亚鸢尾，花瓣尺寸居中的是变色鸢尾，这种可视化后的数据和原始的数字相比更加的直观和清晰。

花瓣长度

iris[:,2]
array([5.6, 3.3, 4.5, 1.5, 1.7, 1.3, 1.5, 5.1, 4.4, 1.5, 3.9, 4.9, 1.2,
       1.7, 6.7, 4.7, 5.9, 6.6, 5.3, 1.5, 5.7, 5.6, 1.3, 5.6, 5.8, 1.5,
       4. , 5.1, 4.5, 5. , 4.4, 3. , 4.5, 5.5, 4.8, 5.7, 5.1, 5.1, 1.5,
       1.4, 6.4, 5.1, 5.2, 1.9, 1.6, 5. , 1.6, 6.9, 1. , 6. , 1.4, 4.4,
       4. , 1.2, 4.7, 4.8, 6.1, 5.1, 5.4, 3.5, 3.9, 5.6, 5. , 5.5, 4.5,
       6.3, 1.3, 6.1, 5.5, 1.5, 1.3, 4.6, 1.3, 6.1, 4.9, 1.5, 3.8, 4.2,
       4.5, 5.3, 1.5, 4.7, 4.6, 4.2, 5.6, 1.5, 4.8, 4.5, 5.1, 1.3, 5.2,
       4.7, 1.4, 1.5, 5.8, 1.4, 1.4, 6.7, 4.8, 1.6, 1.4, 3.3, 1.3, 4.1,
       1.6, 1.4, 1.5, 1.4, 3.6, 1.6, 4.9, 4.1, 1.6, 6. , 1.6, 4.4, 4.2,
       1.4, 1.4, 3.7])

花瓣宽度

iris[:,3]
array([2.2, 1. , 1.7, 0.1, 0.3, 0.2, 0.4, 2.3, 1.4, 0.4, 1.4, 1.5, 0.2,
       0.4, 2.2, 1.6, 2.3, 2.1, 2.3, 0.4, 2.1, 2.1, 0.4, 1.4, 1.6, 0.2,
       1.2, 1.8, 1.5, 1.7, 1.3, 1.1, 1.5, 2.1, 1.8, 2.3, 2. , 2.4, 0.3,
       0.3, 2. , 1.9, 2.3, 0.4, 0.2, 1.5, 0.2, 2.3, 0.2, 1.8, 0.2, 1.4,
       1.3, 0.2, 1.4, 1.8, 1.9, 1.9, 2.3, 1. , 1.1, 2.4, 1.9, 1.8, 1.5,
       1.8, 0.2, 2.5, 1.8, 0.2, 0.2, 1.3, 0.2, 2.3, 1.8, 0.1, 1.1, 1.3,
       1.5, 1.9, 0.2, 1.4, 1.5, 1.3, 2.4, 0.1, 1.4, 1.3, 1.6, 0.3, 2. ,
       1.2, 0.3, 0.2, 2.2, 0.3, 0.2, 2. , 1.8, 0.2, 0.2, 1. , 0.3, 1. ,
       0.4, 0.2, 0.2, 0.2, 1.3, 0.2, 1.8, 1.3, 0.2, 2.5, 0.6, 1.2, 1.2,
       0.2, 0.1, 1. ])

将它们作为横坐标和纵坐标绘制散点图

plt.scatter(iris[:, 2], iris[:, 3])
plt.show()

虽然散点图绘制出来了，但是不同类型的鸢尾花并没有被区分开。我们希望不同品种使用不同的颜色，这就要用到色彩映射。

色彩映射

将参数c指定为一个列表或数组，所绘制图形的颜色，可以随这个列表或数组中元素的值而改变，变换所对应的颜色由参数cmap中的颜色所提供。

plt.scatter(x, y, c, cmap)

# 颜色映射
x = np.arange(10)
y = np.arange(10)
dot_color = [0, 1, 2, 0, 1, 2, 2, 1, 1, 0]
plt.scatter(x, y, c=dot_color, cmap='brg')
plt.show()

下面，我们用颜色映射来改进鸢尾花的散点图。我们应该用鸢尾花的种类来作为颜色变换的依据。鸢尾花的种类是数据集中的最后一列，也就是第二维的索引值为4.

plt.scatter(iris[:, 2], iris[:, 3], c=iris[:, 4], cmap='brg')
plt.show()

可以看到，不同品种的鸢尾花，已经采用不同颜色分开了。
下面再增加标题和横纵标签

TRAIN_URL = "http://download.tensorflow.org/data/iris_training.csv"
train_path = tf.keras.utils.get_file(TRAIN_URL.split('/')[-1], TRAIN_URL)

COLUMN_NAMES = ['SepalLength', 'SepalWidth', 'PetalLength', 'PetalWidth', 'Species']
df_iris = pd.read_csv(train_path, header=0, names=COLUMN_NAMES)

iris = np.array(df_iris)

plt.scatter(iris[:, 2], iris[:, 3], c=iris[:, 4], cmap='brg')
plt.title("Anderson's Iris Data Set\n(Blue->Setosa | Red->Versicolor | Green->Virginica)")
plt.xlabel(COLUMN_NAMES[2])
plt.ylabel(COLUMN_NAMES[3])
plt.show()

在这张图中，我们实现了对鸢尾花数据集中的属性，花瓣长度，花瓣宽度的可视化。可以发现，通过花瓣的尺寸可以比较好的区分开，不同品种的鸢尾花。那么通过这个数据集中的其他属性，是否也能够比较好的区分出鸢尾花的种类呢？

在鸢尾花数据集中，有4个属性。将所有的属性两两组合可以得到16种组合可以看到对角线上的这4种组合，是同一种属性自己的组合可以去除，右上角的这6种情况和左下角的这6种情况是对称的，就是说有效的组合有6种。

这是把所有可能的组合全部可视化在一张图的结果。

TRAIN_URL = "http://download.tensorflow.org/data/iris_training.csv"
train_path = tf.keras.utils.get_file(TRAIN_URL.split('/')[-1], TRAIN_URL)

COLUMN_NAMES = ['SepalLength', 'SepalWidth', 'PetalLength', 'PetalWidth', 'Species']
df_iris = pd.read_csv(train_path, header=0, names=COLUMN_NAMES)

iris = np.array(df_iris)

# 设置画布尺寸
fig = plt.figure('Iris Data', figsize=(15, 3))
# 设置整个的画布标题
fig.suptitle("Anderson's Iris Data Set\n(Blue->Setosa | Red->Versicolor | Green->Virginica)")

for i in range(4):
    plt.subplot(1, 4, i + 1)
    if i == 0:
        plt.text(0.3, 0.5, COLUMN_NAMES[0], fontsize=15)
    else:
        plt.scatter(iris[:, i], iris[:, 0], c=iris[:, 4], cmap='brg')
    plt.title(COLUMN_NAMES[i])
    plt.ylabel(COLUMN_NAMES[0])

# 调整子图间距
plt.tight_layout(rect=[0, 0, 1, 0.9])
plt.show()

下面采用双重循环来绘制4*4的大图

TRAIN_URL = "http://download.tensorflow.org/data/iris_training.csv"
train_path = tf.keras.utils.get_file(TRAIN_URL.split('/')[-1], TRAIN_URL)

COLUMN_NAMES = ['SepalLength', 'SepalWidth', 'PetalLength', 'PetalWidth', 'Species']
df_iris = pd.read_csv(train_path, header=0, names=COLUMN_NAMES)

iris = np.array(df_iris)

# 设置画布尺寸
fig = plt.figure('Iris Data', figsize=(15, 15))
# 设置整个的画布标题
fig.suptitle("Anderson's Iris Data Set\n(Blue->Setosa | Red->Versicolor | Green->Virginica)")

for i in range(4):
    for j in range(4):
        plt.subplot(4, 4, 4 * i + (j + 1))
        if i == j:
            plt.text(0.3, 0.4, COLUMN_NAMES[i], fontsize=15)
        else:
            plt.scatter(iris[:, j], iris[:, i], c=iris[:, 4], cmap='brg')

        if i == 0:
            plt.title(COLUMN_NAMES[j])
        if j == 0:
            plt.ylabel(COLUMN_NAMES[i])

# 调整子图间距
plt.tight_layout(rect=[0, 0, 1, 0.93])
plt.show()

可以看出来，通过花瓣和花萼的属性的任何组合，都能够很容易地将山鸢尾和另外两种鸢尾花区分开来。而变色鸢尾和维基尼亚鸢尾，通过花瓣属性能够比较容易的区分，通过花落属性则不能明显的区分。

这种可视化数据的方法为我们分析数据提供了有效的手段