该小节我们讲解数据集的工程，我们从历史数据获得规律，这些历史数据时什么样的格式呢？或者说他是怎么存储的呢？
在机器学习阶段，我们的数据，基本上都是存储在文件（如：csv，后续会进行讲解）中，不会存储在数据库的，因为会受到性能瓶颈的影响，如mysql，当每个客户的数据都比较多的时候，数据库是满足不了我们的要求的。但是我们机器学习做的案例，都是700,800M，甚至好几个G的大小，那么这些数据mysql去进行读写等操作的时候，其读取数据是有限的。并且其存储的格式也不太符合机器学习的要求，即使读取出来,仍然需要经过很多的处理，才能提供给我们机器学习使用。
我们有一个强大的工具，叫做pandas（读取工具），其主读取，处理数据是非常的快的，他是基于numpy做的。我们提到过numpy是非常快的，因为其是C语言编写的。
我们提及一下，为什么python会比较慢，除了本身是动态（解释性）语音之外，还存在一个；历史性遗留下来的问题，GIL锁（cpython当中存在）。GIL锁会保证在执行的时候，只有一个线程。所以很多人都是python是假的线程，但是如果使用jpython的解释其，这个问题会得到解决。有兴趣的朋友可以查看一下GIL锁的相关文章，在此处就不进行过多的讲解了。大家要记住的是，在后面我们的多线程，才是真正的多线程（并行）。其原因是我们所有的库，都是基于numpy的。numpy已经把GIL锁释放了。
我们继续前面提到的，数据是什么格式。
我们首先来看看可用的数据集：
Kaggle特点：1.大多数竞赛平台 2.80万科学家 3.数据真实 4.数据量大
scikit-learn特点：1.数据量小 2.方便学习
UCI特点：1.收录了360个数据集 2.覆盖科学，生活，经济等领域 3.数据量几十万
他们对应的网址如下：
Kaggle网址：https://www.kaggle.com/datasets
UCI数据集网址： http://archive.ics.uci.edu/ml/
scikit-learn网址：http://scikit-learn.org/stable/datasets/index.html#datasets
在学习的过程中如果想去获取数据，可以去以上网址下载相关数据。
下面会为大家提到一个scikit-learn库，他自带了一些数据集，他的数据量比较小，也方便我们演示结果，如果数据量比较大，运行时间会太长，我们太难等待。
接下来我们看看常用数据集的结构组成，这个是非常的重要的，因为大部分数据都是这样构成的，他的结构就是：特征值 + 目标值。
我们用pandas去处理数据的时候，其为一个dataFrame的格式，他的特点是由行索引以及列索引，重点我们来说一下列索引：
如上，一个班有3个人，其上有身高，体重，头发长度等等，这些就是特征值，那么什么是目标值呢？我们根据这些已有的特征，去推到一一个未知的结果，这个结果就是目标值，如我们根据身高，体重，头发长度等等去推到性别，其性别就是我们的目标值。
在确定我们的目的之后，我们会去收集一些特征，有的特征对于我们的分析是没有必要的，如皮肤的颜色等等，这些特征，我们是不需要去收集的。我们拿到的都是客户的数据（特征），分析得到我们想要的结果（目标）。
该小节讲解到这里，待续
