sklearn真实分类问题数据集下载

本节内容：下载常用的sklearn真实分类问题数据集，并保存为excel文件

鸢尾花数据集

糖尿病数据集

手写数字

红酒数据集

乳腺癌数据集

1：鸢尾花数据集

这个数据集包含了150个鸢尾花样本，对应3种鸢尾花，各50个样本，以及它们各自对应的4种关于花外形的数据–分类问题

数据特征数值全为正

from sklearn import datasets  # 导入库

iris = datasets.load_iris()  # 导入鸢尾花数据
print(iris.data.shape,iris.target.shape)  # (150, 4) (150,)
print(iris.feature_names)  # [花萼长，花萼宽，花瓣长，花瓣宽]
print(type(iris))

(150, 4) (150,)
['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
<class 'sklearn.utils.Bunch'>

可以看到sklearn数据库的数据类型为’sklearn.utils.Bunch’

无法直接用pd.DataFrame(iris)将其转为pandas可操作的DataFrame的数据

#将'sklearn.utils.Bunch'数据转换为pandas数据

def sklearn_to_df(sklearn_dataset):
    df = pd.DataFrame(sklearn_dataset.data, columns=sklearn_dataset.feature_names)
    df['target'] = pd.Series(sklearn_dataset.target)
    return df

data_iris = sklearn_to_df(datasets.load_iris())

#保存为excel文件

import pandas as pd
writer = pd.ExcelWriter('鸢尾花.xlsx')		# 写入Excel文件
data_iris.to_excel(writer, 'page_1', float_format='%.5f')		# ‘page_1’是写入excel的sheet名
writer.save()

2：糖尿病数据集

​ 主要包括442个实例，每个实例10个属性值，分别是：Age(年龄)、性别(Sex)、Body mass index(体质指数)、Average Blood Pressure(平均血压)、S1~S6一年后疾病级数指标，Target为一年后患疾病的定量指标， 适用于回归任务。

from sklearn import datasets  # 导入库

diabetes = datasets.load_diabetes()  # 导入鸢尾花数据
print(diabetes.data.shape,diabetes.target.shape)  # (150, 4) (150,)
print(diabetes.feature_names)  # [花萼长，花萼宽，花瓣长，花瓣宽]

#将'sklearn.utils.Bunch'数据转换为pandas数据

def sklearn_to_df(sklearn_dataset):
    df = pd.DataFrame(sklearn_dataset.data, columns=sklearn_dataset.feature_names)
    df['target'] = pd.Series(sklearn_dataset.target)
    return df

data_diabetes = sklearn_to_df(datasets.load_diabetes())

#保存为excel文件

import pandas as pd
writer = pd.ExcelWriter('糖尿病.xlsx')		# 写入Excel文件
data_diabetes.to_excel(writer, 'page_1', float_format='%.5f')		# ‘page_1’是写入excel的sheet名
writer.save()

(442, 10) (442,)
['age', 'sex', 'bmi', 'bp', 's1', 's2', 's3', 's4', 's5', 's6']

3：手写数字

共有1797个样本，每个样本有64的元素，对应到一个8x8像素点组成的矩阵，每一个值是其灰度值， target值是0-9，适用于分类任务。

#digits = datasets.load_digits()

# 将'sklearn.utils.Bunch'数据转换为pandas数据
data_digits = sklearn_to_df(datasets.load_digits())
writer = pd.ExcelWriter('手写数字.xlsx')		# 写入Excel文件
data_digits.to_excel(writer, 'page_1', float_format='%.5f')		# ‘page_1’是写入excel的sheet名
writer.save()

4：红酒数据集

​ 共178个样本，代表了红酒的三个档次（分别有59，71，48个样本），以及与之对应的13维的属性数据，适用于分类任务。

# wine = datasets.load_wine()  # 导入红酒数据

# 将'sklearn.utils.Bunch'数据转换为pandas数据
data_wine = sklearn_to_df(datasets.load_wine())
writer = pd.ExcelWriter('红酒.xlsx')		# 写入Excel文件
data_wine.to_excel(writer, 'page_1', float_format='%.5f')		# ‘page_1’是写入excel的sheet名
writer.save()

5：乳腺癌数据集

​ 包含了威斯康辛州记录的569个病人的乳腺癌恶性/良性（1/0）类别型数据，以及与之对应的30个维度的生理指标数据，适用于二分类问题。

# cancer = datasets.load_breast_cancer()  # 导入乳腺癌数据

# 将'sklearn.utils.Bunch'数据转换为pandas数据
data_cancer = sklearn_to_df(datasets.load_breast_cancer())
writer = pd.ExcelWriter('乳腺癌.xlsx')		# 写入Excel文件
data_cancer.to_excel(writer, 'page_1', float_format='%.5f')		# ‘page_1’是写入excel的sheet名
writer.save()