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 pltTRAIN_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：

鸢尾花(Iris)数据集相关推荐

【统计学习方法】线性可分支持向量机对鸢尾花(iris)数据集进行二分类
本文摘要 · 理论来源:[统计学习方法]第七章 SVM · 技术支持:pandas(读csv).numpy.sklearn.svm.svm思想.matplotlib.pyplot(绘图) · 代码目的 ...
【统计学习方法】朴素贝叶斯对鸢尾花(iris)数据集进行训练预测
本文摘要 · 理论来源:[统计学习方法]第三四章朴素贝叶斯 · 技术支持:pandas(读csv).numpy.sklearn.naive_bayes.GaussianNB(高斯朴素贝叶斯模型).s ...
【统计学习方法】K近邻对鸢尾花(iris)数据集进行多分类
本文摘要 · 理论来源:[统计学习方法]第三章 K近邻 · 技术支持:pandas(读csv).collections.Counter(统计).numpy.sklearn.neighbors.KNei ...
【统计学习方法】感知机对鸢尾花(iris)数据集进行二分类
本文摘要 · 理论来源:[统计学习方法]第二章感知机 · 技术支持:pandas(读csv).matplotlib(画图).numpy.sklearn.linear_model.Perceptron ...
ML之SVM：基于SVM(sklearn+subplot)的鸢尾花iris数据集的前两个特征(线性不可分的两个样本)，判定鸢尾花是哪一种类型
ML之SVM:基于SVM(sklearn+subplot)的鸢尾花iris数据集的前两个特征(线性不可分的两个样本),判定鸢尾花是哪一种类型目录输出结果实现代码输出结果 (1).黄色的点为支持 ...
MAT之ELM：ELM实现鸢尾花(iris数据集)种类测试集预测识别正确率(better)结果对比
MAT之ELM:ELM实现鸢尾花(iris数据集)种类测试集预测识别正确率(better)结果对比目录输出结果实现代码输出结果实现代码 load iris_data.mat P_train ...
MAT之GRNN/PNN：基于GRNN、PNN两神经网络实现并比较鸢尾花(iris数据集)种类识别正确率、各个模型运行时间对比
MAT之GRNN/PNN:基于GRNN.PNN两神经网络实现并比较鸢尾花(iris数据集)种类识别正确率.各个模型运行时间对比目录输出结果实现代码输出结果实现代码 load iris_dat ...
iris数据_MAT之ELM：ELM实现鸢尾花(iris数据集)种类测试集预测识别正确率(better)结果对比...
MAT之ELM:ELM实现鸢尾花(iris数据集)种类测试集预测识别正确率(better)结果对比目录输出结果实现代码输出结果实现代码 load iris_data.mat P_trai ...
[机器学习-sklearn]鸢尾花Iris数据集
鸢尾花数据集 1. 鸢尾花Iris数据集介绍 2. Sklearn代码获取Iris 2. 描述性统计 3. 箱线图 4. 数据分布情况 1. 鸢尾花Iris数据集介绍 Iris flower数据集是1 ...
sklearn基础篇（三）-- 鸢尾花(iris)数据集分析和分类
后面对Sklearn的学习主要以<Python机器学习基础教程>和<机器学习实战基于scikit-learn和tensorflow>,两本互为补充进行学习,下面是开篇的学习内容 ...

鸢尾花(Iris)数据集

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

鸢尾花(Iris)数据集相关推荐

最新文章

热门文章