Python scikit-learn，数据集，获取自带数据集，数据集划分(划分为训练集和测试集)

柔光的暖阳◎ 2022-04-23 13:30 232阅读 0赞

**获取scikit-learn自带的数据集：**  
**datasets.load\_\*()**  \# 获取小规模数据集，数据包含在datasets里(不需要联网)  
**datasets.fetch\_\*(data\_home=None)**  \# 获取大规模数据集(需要联网下载)，data\_home表示数据的保存目录(默认"~/scikit\_learn\_data/")

**demo.py（获取自带小数据集，load\_\*()）：**

from sklearn.datasets import load_iris
    
    
    # load_*() 加载并返回鸢尾花数据集 （scikit-learn自带的数据集）
    li = load_iris()  # 返回datasets.base.Bunch类型(字典格式)
    
    print(li.data)  # 所有样本的特征值 （二维数组）
    '''
    [[5.1 3.5 1.4 0.2]
     [4.9 3.  1.4 0.2]
     [4.7 3.2 1.3 0.2]
      ...          ...
     [6.5 3.  5.2 2. ]
     [6.2 3.4 5.4 2.3]
     [5.9 3.  5.1 1.8]]
    '''
    
    print(li.target)  # 目标值（鸢尾花的类别）
    '''
    [0 0 0 ... 2 2 2]
    '''
    
    print(li.DESCR)  # 数据集的描述信息
    
    # 特征名
    print(li.feature_names)  # ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
    
    # 目标名(标签名)
    print(li.target_names)  # ['setosa' 'versicolor' 'virginica']

**demo.py（数据集的划分，划分为训练集和测试集，train\_test\_split()）：**

from sklearn.datasets import load_iris
    from sklearn.model_selection import train_test_split
    
    
    # 加载并返回鸢尾花数据集 （scikit-learn自带的数据集）
    li = load_iris()  # 返回datasets.base.Bunch类型(字典格式)
    
    # 划分数据集train_test_split() 第一个参数表示特征值，第二个参数表示目标值，test_size表示测试集所占的百分比(推荐0.25)
    x_train, x_test, y_train, y_test = train_test_split(li.data, li.target, test_size=0.25)  # 划分是按比例随机划分
    # 返回值 x_train表示训练集的特征值，x_test表示测试集的特征值，y_train表示训练集的目标值，y_test表示测试集的目标值
    
    # 训练集的特征值
    print(x_train)
    '''
    [[4.7 3.2 1.3 0.2]
     [6.3 2.5 4.9 1.5]
     [6.  3.  4.8 1.8]
     ...          ...
     [6.1 2.8 4.7 1.2]
     [5.7 3.8 1.7 0.3]
     [5.7 3.  4.2 1.2]]
    '''
    
    # 训练集的目标值
    print(y_train)
    '''
    [0 1 2 1 0 2 0 1 2 1 1 2 0 0 ... 1 0 0 1 0 1 0 0 0 0 1 0 1]
    '''

**demo.py（获取scikit-learn官网的大数据集，fetch\_\*()）：**

from sklearn.datasets import fetch_20newsgroups, clear_data_home
    
    
    # fetch_*() 获取官网上的大数据集(需要联网下载)。
    # data_home表示数据集的保存目录，subset='all'表示训练集和测试集(可以只下载训练集或测试集)
    news = fetch_20newsgroups(data_home="./mydata",subset='all')  # 获取新闻数据集
    
    print(news.data)  # 特征值
    print(news.target)  # 目标值 [10  3 17 ...  3  1  7]
    
    
    # 清空下载的数据集。  data_home表示数据集的保存目录
    # clear_data_home(data_home="./mydata")