Scikit-Learn模块学习笔记——数据集模块datasets

scikit-learn 的 datasets 模块包含测试数据相关函数，主要包括三类：

• datasets.load_*()：获取小规模数据集。数据包含在 datasets 里
• datasets.fetch_*()：获取大规模数据集。需要从网络上下载，函数的第一个参数是 data_home，表示数据集下载的目录，默认是 ~/scikit_learn_data/。要修改默认目录，可以修改环境变量SCIKIT_LEARN_DATA。数据集目录可以通过datasets.get_data_home()获取。clear_data_home(data_home=None)删除所有下载数据。
• datasets.make_*()：本地生成数据集。

数据集格式

• tuple(X, y)
  本地生成数据函数 make_* 和 load_svmlight_* 返回的数据是 tuple(X, y) 格式

• Bunch
  load_*和 fetch_* 函数返回的数据类型是 datasets.base.Bunch，本质上是一个 dict，它的键值对可用通过对象的属性方式访问。主要包含以下属性：

  • data：特征数据数组，是 n_samples * n_features 的二维 numpy.ndarray 数组
  • target：标签数组，是 n_samples 的一维 numpy.ndarray 数组
  • DESCR：数据描述
  • feature_names：特征名
  • target_names：标签名

获取小数据集

• load_boston()：
  房屋特征-房价，用于regression
• load_diabetes()：
  糖尿病数据，用于 regression
• load_linnerud()：
  Linnerud数据集，有多个标签，用于 multilabel regression
• load_iris()：
  鸢尾花特征和类别，用于classification
• load_digits([n_class])：
  手写数字识别
• load_sample_images()：
  载入图片数据集，共两张图
• load_sample_image(name)：
  载入图片数据集中的一张图
• load_files(container_path, description=None, categories=None, load_content=True, shuffle=True, encoding=None, decode_error='strict', random_state=0)：
  从本地目录获取文本数据，并根据二级目录做分类

获取大数据集

• load_mlcomp(name_or_id, set_='raw', mlcomp_root=None, **kwargs)：
  从 http://mlcomp.org/ 上下载数据集
• fetch_california_housing(data_home=None, download_if_missing=True)
• fetch_olivetti_faces(data_home=None, shuffle=False, random_state=0, download_if_missing=True)：
  Olivetti 脸部图片数据集
• fetch_lfw_people(data_home=None, funneled=True, resize=0.5, min_faces_per_person=0, color=False, slice_=(slice(70, 195, None), slice(78, 172, None)), download_if_missing=True)：
• fetch_lfw_pairs(subset='train', data_home=None, funneled=True, resize=0.5, color=False, slice_=(slice(70, 195, None), slice(78, 172, None)), download_if_missing=True)：
  Labeled Faces in the Wild (LFW) 数据集，参考 LFW
• fetch_20newsgroups(data_home=None, subset='train', categories=None, shuffle=True, random_state=42, remove=(), download_if_missing=True)
• fetch_20newsgroups_vectorized(subset='train', remove=(), data_home=None)：
  新闻分类数据集，数据集包含 ‘train’ 部分和 ‘test’ 部分。
• fetch_rcv1(data_home=None, subset='all', download_if_missing=True, random_state=None, shuffle=False)：
  路透社新闻语聊数据集
• fetch_mldata(dataname, target_name='label', data_name='data', transpose_data=True, data_home=None)：
  从 mldata.org 中下载数据集。参考 PASCAL network
• mldata_filename(dataname)：
  将 mldata 的数据集名转换为下载的数据文件名
• fetch_covtype(data_home=None, download_if_missing=True, random_state=None, shuffle=False)
  Forest covertypes 数据集

本地生成数据

回归(regression)

• make_regression(n_samples=100, n_features=100, n_informative=10, n_targets=1, bias=0.0, effective_rank=None, tail_strength=0.5, noise=0.0, shuffle=True, coef=False, random_state=None)
• make_sparse_uncorrelated(n_samples=100, n_features=10, random_state=None)
• make_friedman1(n_samples=100, n_features=10, noise=0.0, random_state=None)
• make_friedman2(n_samples=100, noise=0.0, random_state=None)
• make_friedman3(n_samples=100, noise=0.0, random_state=None)

分类(classification)

单标签

• make_classification(n_samples=100, n_features=20, n_informative=2, n_redundant=2, n_repeated=0, n_classes=2, n_clusters_per_class=2, weights=None, flip_y=0.01, class_sep=1.0, hypercube=True, shift=0.0, scale=1.0, shuffle=True, random_state=None)：
  生成 classification 数据集。包含所有的设置，可以包含噪声，偏斜的数据集
• make_blobs(n_samples=100, n_features=2, centers=3, cluster_std=1.0, center_box=(-10.0, 10.0), shuffle=True, random_state=None)：
  生成 classification 数据集。数据服从高斯分布
  centers 可以是整数，表示中心点个数，或者用列表给出每个中心点的特征值
  cluster_std 可以是浮点数或浮点数列表
  random_state 可以是整数，表示随机起始 seed，或者 RandomState 对象，默认使用 np.random
• make_gaussian_quantiles(mean=None, cov=1.0, n_samples=100, n_features=2, n_classes=3, shuffle=True, random_state=None)：
• make_hastie_10_2(n_samples=12000, random_state=None)：
• make_circles(n_samples=100, shuffle=True, noise=None, random_state=None, factor=0.8)：
• make_moons(n_samples=100, shuffle=True, noise=None, random_state=None)：

多标签

• make_multilabel_classification(n_samples=100, n_features=20, n_classes=5, n_labels=2, length=50, allow_unlabeled=True, sparse=False, return_indicator='dense', return_distributions=False, random_state=None)：
  生成 multilabel classification 数据集。

双聚类(bicluster)

• make_biclusters(shape, n_clusters, noise=0.0, minval=10, maxval=100, shuffle=True, random_state=None)：
• make_checkerboard(shape, n_clusters, noise=0.0, minval=10, maxval=100, shuffle=True, random_state=None)：

流形学习(manifold learning)

• make_s_curve(n_samples=100, noise=0.0, random_state=None)
• make_swiss_roll(n_samples=100, noise=0.0, random_state=None)、

可降维(decomposition)数据

• make_low_rank_matrix(n_samples=100, n_features=100, effective_rank=10, tail_strength=0.5, random_state=None)
• make_sparse_coded_signal(n_samples, n_components, n_features, n_nonzero_coefs, random_state=None)
• make_spd_matrix(n_dim, random_state=None)
• make_sparse_spd_matrix(dim=1, alpha=0.95, norm_diag=False, smallest_coef=0.1, largest_coef=0.9, random_state=None)

处理 svmlight / libsvm 格式数据

提供 svmlight / libsvm 格式数据的导入或导出。

• load_svmlight_file(f, n_features=None, dtype=numpy.float64, multilabel=False, zero_based='auto', query_id=False)：
  返回 (X, y, [query_id])，其中 X 是 scipy.sparse matrix，y 是 numpy.ndarray
• load_svmlight_files(files, n_features=None, dtype=numpy.float64, multilabel=False, zero_based='auto', query_id=False)
• dump_svmlight_file(X, y, f, zero_based=True, comment=None, query_id=None, multilabel=False)

其他数据集网站

UCI Machine Learning Repository：http://archive.ics.uci.edu/ml/datasets.html
UCI KDD：http://kdd.ics.uci.edu/summary.data.type.html
Kaggle：https://www.kaggle.com/datasets

参考

官方datasets包文档：http://scikit-learn.org/stable/datasets/index.html
API列表：http://scikit-learn.org/stable/modules/classes.html#module-sklearn.datasets