数据集的读入 python python中的数据集

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 snsdf = 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 243Data columns (total 7 columns):total_bill 244 non-null float64tip 244 non-null float64sex 244 non-null categorysmoker 244 non-null categoryday 244 non-null categorytime 244 non-null categorysize 244 non-null int64dtypes: category(4), float64(2), int64(1)

[数值变量信息]

total_bill tip sizecount 244.000000 244.000000 244.000000mean 19.785943 2.998279 2.569672std 8.902412 1.383638 0.951100min 3.070000 1.000000 1.00000025% 13.347500 2.000000 2.00000050% 17.795000 2.900000 2.00000075% 24.127500 3.562500 3.000000max 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 datasetsimport pandas as pd, numpy as npdataset = 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"] = targetdf.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_20newsgroupsfrom pprint import pprintnewsgroups_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: [e-mail] (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/