python的自带数据集_盘点 | Python自带的那些数据集

01

Seaborn自带数据集

在学习Pandas透视表的时候，大家应该注意到，我们使用的案例数据"泰坦尼克号"来自于seaborn自带的在线数据库，我们可以通过seaborn提供的函数load_dataset("数据集名称")来获取线上相应的数据，返回给我们的是一个pandas的DataFrame对象。import seaborn as sns

df = sns.load_dataset('titanic')

df.sample(5)

返回的DataFrame对象非常便于我们更加深入地了解数据，示例代码：df = sns.load_dataset("tips")

print("\n[数据集基本信息]\n")

print(df.info())

print("\n[数值变量信息]\n")

print(df.describe())

print("\n[离散变量信息]\n")

for name in df.dtypes[(df.dtypes == "category") | (df.dtypes == "object")].index:

print("{} 特征值 : {}".format(name, str(df[name].unique())))

数据集描述信息如下：[数据集基本信息]

RangeIndex: 244 entries, 0 to 243

Data columns (total 7 columns):

total_bill 244 non-null float64

tip 244 non-null float64

sex 244 non-null category

smoker 244 non-null category

day 244 non-null category

time 244 non-null category

size 244 non-null int64

dtypes: category(4), float64(2), int64(1)

[数值变量信息]

total_bill tip size

count 244.000000 244.000000 244.000000

mean 19.785943 2.998279 2.569672

std 8.902412 1.383638 0.951100

min 3.070000 1.000000 1.000000

25% 13.347500 2.000000 2.000000

50% 17.795000 2.900000 2.000000

75% 24.127500 3.562500 3.000000

max 50.810000 10.000000 6.000000

[离散变量信息]

sex 特征值 : [Female, Male]

smoker 特征值 : [No, Yes]

day 特征值 : [Sun, Sat, Thur, Fri]

time 特征值 : [Dinner, Lunch]

seaborn自带的全量数据集，如下所示：seaborn示例数据集链接：https://github.com/mwaskom/seaborn-data

02

Sklearn自带数据集

1. 小型数据集

数据加载、观察示例：from sklearn import datasets

import pandas as pd, numpy as np

dataset = datasets.load_iris()

print("数据集包含的信息项：")

print(" ".join(dataset.keys()))

print("\n数据集描述信息：\n")

print(dataset["DESCR"])

data = dataset["data"]

target = dataset["target"]

df = pd.DataFrame(data, columns=dataset["feature_names"])

df["target"] = target

df.sample(10)

df.info()

df.describe()sklearn小型数据集详细介绍：https://scikit-learn.org/stable/datasets/index.html#toy-datasets

2. 较大型数据集（在线下载）

20个新闻组数据集加载示例：from sklearn.datasets import fetch_20newsgroups

from pprint import pprint

newsgroups_train = fetch_20newsgroups(subset='train')

pprint(list(newsgroups_train.targernames))

print(newsgroups_train.filenames.shape) # (11314,)

print(newsgroups_train.target.shape) # (11314,)

print(newsgroups_train.target[:10]) # [ 7 4 4 1 14 16 13 3 2 4]

print(newsgroups_train['data'][:2]) # 前三篇文章["From: lerxst@wam.umd.edu (where's my thin...sklearn大型数据集详细介绍：https://scikit-learn.org/stable/datasets/index.html#real-world-datasets sklearn

新闻数据文本分类实战：https://www.jianshu.com/p/244180c064cf

03

其他数据源

1. UCL机器学习知识库

UCL机器学习数据库，包括了多个不同大小和类型的数据集，可用于分类、回归、聚类和推荐系统任务。链接：https://archive.ics.uci.edu/ml/index.php

2. weka数据集链接：https://www.cs.waikato.ac.nz/ml/weka/datasets.html

3. KD-nuggets数据集链接：https://www.kdnuggets.com/datasets/index.html

4. UCI KDD Archive数据集链接：http://kdd.ics.uci.edu/

总结

以上是生活随笔为你收集整理的python的自带数据集_盘点 | Python自带的那些数据集的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。