SparkSession 鸢尾花 随机森林 iris鸢尾花卉数据集下载

鸢尾花数据集

• 1. 鸢尾花数据集下载
• 2. Pandas库基础操作
• 3. 数据可视化

1. 鸢尾花数据集下载

• 下载鸢尾花数据集

tf.keras.utils.get_file(fname,origin,cache_dir)

参数	说明
fname	下载后的文件名
origin	文件的URL地址
cache_dir	下载后文件的存储位置

TRAIN_URL="http://download.tensorflow.org/data/iris_training.csv"
train_path=tf.keras.utils.get_file("iris_training.csv",TRAIN_URL)

iris_training.csv训练数据集，120条样本数据；iris_test.csv测试数据集，30条数据。本文只用到训练数据集，其中有花萼长度（Sepal Length）、花萼宽度（Sepal Width）、花瓣长度（Petal Length）、花瓣宽度（Petal Width）四个属性。标签0、1、2分别表示山鸢尾（Setosa）、变色鸢尾（Versicolor）、维吉尼亚鸢尾（Virginical）。

• split()函数（知识扩充）：通过指定的分隔符对字符串进行切片，并返回一个列表。

TRAIN_URL.split("/")    #表示以 / 作分隔符

TRAIN_URL="http://download.tensorflow.org/data/iris_training.csv"
train_path=tf.keras.utils.get_file(TRAIN_URL.split('/')[-1],TRAIN_URL)

2. Pandas库基础操作

用于数据统计和分析、可以高效、方便地操作大型数据集。

• 导入Pandas库

import pandas as pd

• 读取csv数据集文件

#文件名参数
pd.read_csv(filepath_or_buffer,header,names)    #header=0(默认)设置第一行数据作为列标题，header=None表示没有列标题

column_names=['SepalLength','SepalWidth','PetalLength','Species']
df_iris=pd.read_csv(train_path,header=0,names=column_names)
df_iris.head()    #读取前n行数据，参数为空时，默认读取而是为数据表中的前5行数据

输出结果如下：

• head()函数
  读取前n行数据，参数为空时，默认读取而是为数据表中的前5行数据。
• tail()函数
  读取后n行数据，参数为空时，默认读取而是为数据表中的后5行数据
• 索引和切片访问数据
  df_iris[n:m]表示读取行号n到行号m-1的数据样本
• describe()函数
  显示二维数据的统计信息，输出总数、平均值、标准差、最小值等信息。

df_iris.describe()

输出结果如下：

• DataFrame的常用属性

属性	描述
nmid	数据表的维数
shape	数据表的形状
size	数据表元素的总个数

df_iris=pd.read_csv(train_path)

print(df_iris.ndim)  #2
print(df_iris.shape)  #(120, 4)
print(df_iris.size)  #480

• 转化为NumPy数组

iris=np.array(df_iris)
print(type(df_iris))  #<class 'pandas.core.frame.DataFrame'>
print(type(iris))  #<class 'numpy.ndarray'>

转化为NumPy数组后，可以利用索引和切片访问数组元素，比如iris[0:6]表示读取前6行数据，iris[0:6,0:4]表示读取前6行数据的前4列。

3. 数据可视化

循环输出所有属性关系图

import tensorflow as tf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

TRAIN_URL="http://download.tensorflow.org/data/iris_training.csv"
train_path=tf.keras.utils.get_file(TRAIN_URL.split('/')[-1],TRAIN_URL)

column_names=['SepalLength','SepalWidth','PetalLength','PetalWidth','Species']
df_iris=pd.read_csv(train_path,header=0,names=column_names)

iris=np.array(df_iris)

fig=plt.figure('Iris Data',figsize=(15,15))

plt.suptitle("Andreson's Iris Dara Set\n(Blue->Setosa|Red->Versicolor|Green->Virginical)")

for i in range(4):
    for j in range(4):
        plt.subplot(4,4,4*i+(j+1))
        if(i==j):
            plt.text(0.3,0.4,column_names[i],fontsize=15)
        else:
            plt.scatter(iris[:,j],iris[:,i],c=iris[:,4],cmap='brg')
            
        if(i==0):
            plt.title(column_names[j])
        if(j==0):
            plt.ylabel(column_names[i])

plt.show()

输出结果如下：