Sklearn 中的可用数据集_1. 加载sklearn的红酒数据集,并进行简单的数据探索。 2. 将数据集分为训练集和测

• 查找并加载此数据集

• 你能找到描述吗？

• 类的名称是什么？

• 有哪些特点？

• 数据和标记数据在哪里？

练习 2：

创建特征ash和color_intensity葡萄酒数据集的散点图。

练习 3：

创建葡萄酒数据集特征的散点矩阵。

练习 4：

获取 Olivetti 人脸数据集并可视化人脸。

解决方案

---

练习 1 的解决方案

加载“葡萄酒数据集”：

从 sklearn 导入 数据集

酒 = 数据集。load_wine ()

可以通过“DESCR”访问描述：

打印（酒。DESCR ）

输出：

… _wine_dataset:

葡萄酒识别数据集

---

**数据集特征：**

：实例数：178（三个类中的每个类50个）

：属性数量：13 个数字、预测属性和类别

:属性信息:

• 酒精

• 苹果酸

• 灰

• 灰分的碱度

• 镁

• 总酚

• 黄酮类

• 非黄酮酚

• 原花青素

• 颜色强度

• 色调

• 稀释葡萄酒的 OD280/OD315

• 脯氨酸

• 班级：

• class_0

• class_1

• class_2

：汇总统计：

==================================================

最小最大平均标准差

==================================================

酒精：11.0 14.8 13.0 0.8

苹果酸：0.74 5.80 2.34 1.12

灰分：1.36 3.23 2.36 0.27

灰分碱度：10.6 30.0 19.5 3.3

镁：70.0 162.0 99.7 14.3

总酚：0.98 3.88 2.29 0.63

类黄酮：0.34 5.08 2.03 1.00

非黄酮酚：0.13 0.66 0.36 0.12

原花青素：0.41 3.58 1.59 0.57

颜色强度：1.3 13.0 5.1 2.3

色相：0.48 1.71 0.96 0.23

稀释葡萄酒的 OD280/OD315：1.27 4.00 2.61 0.71

脯氨酸：278 1680 746 315

==================================================

：缺少属性值：无

:类分布：class_0 (59), class_1 (71), class_2 (48)

：创作者： RA 费舍尔

：捐助者：迈克尔·马歇尔 (MARSHALL%PLU@io.arc.nasa.gov)

：日期：1988年7月

这是 UCI ML Wine 识别数据集的副本。

https://archive.ics.uci.edu/ml/machine-learning-databases/wine/wine.data

数据是对同一地区种植的葡萄酒进行化学分析的结果

三个不同的种植者在意大利的地区。有十三种不同

对三种类型的不同成分进行的测量

葡萄酒。

原业主：

Forina, M. 等人，PARVUS -

用于数据探索、分类和关联的可扩展包。

制药和食品分析与技术研究所，

Via Brigata Salerno, 16147 热那亚, 意大利。

引文：

Lichman, M. (2013)。UCI 机器学习库

[https://archive.ics.uci.edu/ml]。加州尔湾：加州大学，

信息与计算机科学学院。

… 主题:: 参考

(1) S. Aeberhard、D. Coomans 和 O. de Vel，

高维设置中分类器的比较，

技术。众议员编号 92-02, (1992), Dept. of Computer Science and Dept.

北昆士兰詹姆斯库克大学数学与统计专业。

（也提交给 Technometrics）。

该数据与许多其他数据一起用于比较各种

分类器。这些类是可分离的，虽然只有 RDA

已实现100%正确分类。

（RDA：100%，QDA 99.4%，LDA 98.9%，1NN 96.1%（z 变换数据））

（所有结果都使用留一法）

(2) S. Aeberhard、D. Coomans 和 O. de Vel，

“RDA 的分类性能”

技术。众议员编号 92-01, (1992), Dept. of Computer Science and Dept.

北昆士兰詹姆斯库克大学数学与统计专业。

（也提交给化学计量学杂志）。

可以像这样检索类和功能的名称：

打印（酒。target_names ）

打印（酒。feature_names ）

输出：

[‘class_0’‘class_1’‘class_2’]

[‘酒精’，‘苹果酸’，‘灰分’，‘alcalinity_of_ash’，‘镁’，‘total_phenols’，‘flavanoids’，‘nonflavanoid_phenols’，‘proanthocyanins’，‘color_intensity’，‘hue’，'od35_ofwins , ‘脯氨酸’]

数据 = 酒。数据

labelled_data = wine 。目标

练习 2 的解决方案：

从 sklearn 导入 数据集

导入 matplotlib.pyplot 作为 plt

酒 = 数据集。load_wine ()

features = ‘ash’ , ‘color_intensity’

features_index = [ wine . 功能名称。索引（特征[ 0 ]），

酒。功能名称。索引（特征[ 1 ]）]

颜色 = [ ‘蓝色’ 、 ‘红色’ 、 ‘绿色’ ]

为 标签， 颜色 在 拉链（范围（len个（酒。target_names ））， 颜色）：

PLT 。分散（酒。数据[酒。目标==标签， 特征索引[ 0 ]]，

酒。数据[酒。目标==标签， 特征索引[ 1 ]]，

标签=酒. target_names [标签]，

c =颜色）

PLT 。xlabel ( features [ 0 ])

plt 。ylabel ( features [ 1 ])

plt 。图例（loc = ‘左上’ ）

plt 。显示()

练习 3 的解决方案：

从sklearn导入数据集导入****熊猫 作为 pd

酒 = 数据集。load_wine ()

def rotate_labels ( df , axes ):

“”" 改变标签输出的旋转，

y 标签水平和 x 标签垂直 “”"

n = len ( df . columns )

for x in range ( n ):

for y in range ( n ):

# 获取子图的轴

ax = axs [ x , y ]

# 使 x 轴名称垂直

ax 。轴。标签。set_rotation （90 ）

＃，使y轴的名称水平

斧。yaxis 。标签。set_rotation ( 0 )

# 确保 y 轴名称在绘图区域

ax 之外。yaxis 。标签板 = 50

wine_df = pd 。数据帧（酒。数据， 列=酒。feature_names ）

AXS = PD 。绘图。scatter_matrix ( wine_df ,

c = wine . target ,

figsize = ( 8 , 8 ),

);

rotate_labels （wine_df ， AXS ）

练习 4 的解答

从 sklearn.datasets 导入 fetch_olivetti_faces

# 获取人脸数据

faces = fetch_olivetti_faces ()

脸。键()

输出：

dict_keys([‘data’, ‘images’, ‘target’, ‘DESCR’])

n_samples , n_features = faces 。数据。形状

打印（（n_samples ， n_features ））

输出：

(400, 4096)

NP . 平方（4096 ）

输出：

64.0

脸。图像。形状

输出：

(400, 64, 64)

将 numpy 导入****为 np

打印( np . all ( faces . images . reshape (( 400 , 4096 )) == faces . data ))

输出：

真的

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）

(img-baMl5fjf-1712551369604)]

[外链图片转存中…(img-f46UbYgy-1712551369605)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）