在动手操作一个算法的时候，可能需要自己生成数据集。Python sklearn给我们提供了一些有用的数据生成器和数据加载工具，所以就不需要我们写代码来生成数据啦。下面介绍几个大家都比较常用的数据集：
数据加载工具
这个工具下面一共有24个数据集，只要直接导入就可以使用，就像导入一个csv文件一样。
1.datasets.load_iris()这个数据集应该是最常见的了，经常看见网上博主们需要做分类的数据集时候，拿的就是这个鸢尾花数据集。大家点击数据集的链接就可以看到鸢尾花数据集的介绍：
Classes | 3 |
Samples per class | 50 |
Samples total | 150 |
Dimensionality | 4 |
Features | real, positive |
下面是获取数据集的方法：
from sklearn import datasets
iris = datasets.load_iris()
### 打印数据集，可以看到数据集的详细信息
print(iris)
### 获取数据
X = iris.data
### 获取标签
y = iris.target
### 获取标签名称
TarName = iris.target_names
### 获取特征名称
FeaName = iris.feature_names2. datasets.load_boston()这个数据集应该是回归问题里面，网上博主们最常用的数据集，也就是波士顿房价数据集。大家点击数据集的链接就可以看到它的介绍了：
Samples total | 506 |
Dimensionality | 13 |
Features | real, positive |
Targets | real 5. - 50. |
下面是数据集的获取方法：
boston = datasets.load_boston()
### 打印数据集，可以看到数据集的详细信息
print(boston)
### 获取数据集
X = boston.data
### 获取目标值
y = boston.target
### 获取特征名称
FeaName = boston.feature_names数据生成器
datasets下面一共有20个数据集生成器，相比与上面的数据集，这个里面的数据集就很简单，主要是用来对算法的结果进行可视化。它是根据参数的值来生成数据，并不像上面的数据集一样导入就可以使用。
1.datasets.make_moons() 该函数会生成两个交叉的半圆型数据集，可以用做聚类和分类算法的数据集。具体的参数大家可以点击数据集的链接，参考官方文档。生成的图形如下图所示：
### 生成200个数据点的数据
X,y = datasets.make_moons(200)
### 可视化数据
plt.scatter(X[:,0],X[:,1], s=40, c=y, cmap=plt.cm.Spectral)
我们可以看到上面的数据分布实在是太工整了，通常我们会加上noise参数，让数据的分布没有那么工整。
### 生成数据
X,y = datasets.make_moons(200, noise=0.20)
### 可视化数据
plt.scatter(X[:,0],X[:,1], s=40, c=y, cmap=plt.cm.Spectral)
2. datasets.make_circles()该函数会生成一个大圆，然后里面包含一个小圆。具体的参数大家可以点击数据集的链接，参考官方文档。生成的图形如下图所示：
X,y = datasets.make_circles(1000)
plt.scatter(X[:,0],X[:,1], s=40, c=y,cmap=plt.cm.Spectral)
和上面的数据集一样，为了让数据的分布没有那么工整，通常我们会加上noise参数。同时，会加上factor参数，用于控制大圆和小圆之间的间隔。
X,y = datasets.make_circles(1000, noise=0.03, factor=0.5)
plt.scatter(X[:,0],X[:,1], s=40, c=y,cmap=plt.cm.Spectral)
API链接：https://scikit-learn.org/stable/modules/classes.html#module-sklearn.datasets
