盘点 | Python自带的那些数据集

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("
[数据集基本信息]
")
print(df.info())
print("
[数值变量信息]
")
print(df.describe())
print("
[离散变量信息]
")
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

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("
数据集描述信息：
")
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-datasetssklearn

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

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/

请扫码关注：