常用数据集总结文章记录、IRIS数据集介绍

ゝ一纸荒年。 2022-04-10 08:30 270阅读 0赞

2019.4.15更新：最近想把一些常用的数据集总结一下的，结果发现已经有很多文章写的很好了，不瞎忙活了，这里记录一下：  
超全的数据集汇总：  
[CVonline: Image Databases][CVonline_ Image Databases]  
这里还有博主把上面的数据集翻译了：  
[CVonline：图像数据库][CVonline]  
UCI常用数据集的介绍：  
[UCI数据集整理（附论文常用数据集）][UCI]

本篇的主要内容：

*  使用Pandas对IRIS导入的一些基本操作

#### IRIS数据集介绍 ####

IRIS数据集也称作鸢尾花数据集，整个数据集共有150条数据，分为三类，每类50条数据，每一条数据都有四个属性：花萼长度，花萼宽度，花瓣长度，花瓣宽度，标签数据共有三种，分别是Setosa，Versicolour，Virginica。一般使用前面的四种属性数据来预测样本属于那种鸢尾花。  
具体一些的介绍可以移步百度百科：[IRIS数据集][IRIS]  
或者这篇博客：[iris数据集及简介][iris]  
全部的数据：[iris数据集][iris 1]

#### 导入与基本操作 ####

这里的介绍主要是之前博客中使用了这一些内容，在此简单记录一下。  
首先是数据集的导入，有两种方式，第一种是直接使用pandas的read\_csv()函数进行导入，例如：

datas = pd.read_csv('iris.csv')
    # 看一下导入数据的前5行数据
    print(datas.head(5))
    # 或者print(datas[:5])
    # 看一下列名称
    columns_names = datas.columns.tolist()
    print(columns_names)

输出：

['Unnamed: 0', 'Sepal.Length', 'Sepal.Width', 'Petal.Length', 'Petal.Width', 'Species']
    
       Unnamed: 0  Sepal.Length  Sepal.Width  Petal.Length  Petal.Width Species
    0           1           5.1          3.5           1.4          0.2  setosa
    1           2           4.9          3.0           1.4          0.2  setosa
    2           3           4.7          3.2           1.3          0.2  setosa
    3           4           4.6          3.1           1.5          0.2  setosa
    4           5           5.0          3.6           1.4          0.2  setosa

可以看到实际上每一条数据有六列，第一列是DataFrame提供的序号，实际数据是后面的五列，前四列是属性，最后一列是分类。  
在分类中，一般不会直接使用数据集中的分类（Setosa，Versicolour，Virginica），而是将这三种分类用数字代替，使用会方便一些，从这里来看，直接从sklearn包的datasets中导入会方便一些，添加引用：

from sklearn.datasets import load_iris

导入数据：

iris = load_iris()
    # 看一下返回的数据类型
    print(type(iris)) 
    
    # 输出
    # <class 'sklearn.utils.Bunch'>

转化为DataFrame：

df = pd.DataFrame(iris.data, columns=iris.feature_names)
    print(df[:5])

输出：

sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)
    0                5.1               3.5                1.4               0.2
    1                4.9               3.0                1.4               0.2
    2                4.7               3.2                1.3               0.2
    3                4.6               3.1                1.5               0.2
    4                5.0               3.6                1.4               0.2

可以看到再datasets中导入的数据集与我们手动导入的还是有些区别的，最显著的就是将属性数据与标签数据分离了，查看标签数据：

# 注意这里导入的数据中 属性数据在 .data中  ，标签数据在 .target中
    labels = iris.target
    print(labels[:5])       # 前5行数据的分类都是第一类，也就是0

基本就酱，想到别的再记吧！

以上~

[CVonline_ Image Databases]: http://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm
[CVonline]: https://blog.csdn.net/xunan003/article/details/78984472
[UCI]: https://blog.csdn.net/qq_32892383/article/details/82225663
[IRIS]: https://baike.baidu.com/item/IRIS/4061453
[iris]: https://blog.csdn.net/java1573/article/details/78865495
[iris 1]: http://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data