Python]机器学习-常用数据集(Dataset)之鸢尾花(Iris)数据集介绍，数据可视化和使用案例

旧城少年

鸢(yuān)尾花(Iris)数据集介绍鸢【音：yuān】尾花（Iris）是单子叶百合目花卉，是一种比较常见的花，而且鸢尾花的品种较多，在某个公园里你可能不经意间就能碰见它。鸢尾花数据集最初由EdgarAnderson测量得到，而后在著名的统计学家和生物学家R.AFisher于1936年发表的文章「Theuseofmultiplemeasurementsintaxonomicproblems」中被使用，用它作为线性判别分析（LinearDiscriminantAnalysis）的一个例子，证明分类的统计方法。该数据集是在机器学习领域一个常用的数据集。数据中的两类鸢尾花记录结果是在加拿大加斯帕半岛上，在同一天的同一个时间段，使用相同的测量仪器，在相同的牧场上由同一个人测量出来的。这是一份有着70年历史的数据，虽然老，但是却很经典，详细数据集可以在UCI数据库（http://archive.ics.uci.edu/ml/datasets/Iris） 中找到。http://archive.ics.uci.edu/static/public/53/iris.zipIris也称鸢尾花卉数据集，是一类多重变量分析的数据集。通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa(山鸢尾)，Versicolour(杂色鸢尾)，Virginica(维吉尼亚鸢尾)）三个种类中的哪一类。鸢尾花（iris）数据集，它共有4个属性列和一个品种类别列：sepallength（萼片长度）、sepalwidth（萼片宽度）、petallength（花瓣长度）、petalwidth（花瓣宽度），单位都是厘米。3个品种类别是Setosa、Versicolour、Virginica，样本数量150个，每类50个。本文主要通过JupyterNotebook对鸢尾花数据集（Iris）进行读取，显示数据，并对数据可视化，最后使用该数据集来应用于K近邻算法线性回归分析。1）读取数据包括scikit-learn库引入和读取.csv文件保存的数据集。2）显示数据包括显示具体数据、查看整体数据信息、描述性统计。3）数据可视化包括散点图、直方图、KDE图、箱线图等。4）应用该数据集于scikit-learn的K近邻算法进行线性回归分析。读取数据fromsklearnimportdatasetsimportpandasaspdiris_datas=datasets.load_iris()iris_df=pd.DataFrame(iris_datas.data,columns=['SepalLength','SepalWidth','PetalLength','PetalWidth'])#它是一个很小的数据集，仅有150行，5列。该数据集的四个特征(1~4)列属性的取值都是数值型的，#他们具有相同的量纲，不需要你做任何标准化的处理，#第五列为通过前面四列所确定的鸢尾花所属的类别名称。iris_csv_url="https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data"names=['sepal-length','sepal-width','petal-length','petal-width','class']iris_csv_df=pd.read_csv(iris_csv_url,names=names)显示数据基本数据信息#四列数据分别为#列1-SepalLengthCm:花萼长度,单位cm；#列2-SepalWidthCm:花萼宽度,单位cm；#列3-PetalLengthCm:花瓣长度,单位cm#列4-PetalWidthCm;花瓣宽度,单位cmiris_datas.data[0:10]iris_df.head()iris_datas.data.shapeiris_df.shape#SepaLengthCm:花萼长度,单位cm；#SepalWidthCm:花萼宽度,单位cm；#PetalLengthCm:花瓣长度,单位cm#PetalWidthCm;花瓣宽度,单位cmiris_datas.feature_namesiris_datas.target[0:5]iris_datas.target.shapeiris_datas.target_namesprint(iris_datas.DESCR)iris_csv_df.head() 查看数据整体信息iris_df.info()查看描述性统计iris_df.describe()iris_df.describe().T数据可视化花萼长度与宽度分布/花瓣长度与宽度分布（用颜色和形状区分类型）fromcollectionsimportCounter,defaultdictimportmatplotlib.pyplotaspltimportnumpyasnpplt.rcParams['font.sans-serif']=['SimHei']#支持中文字体style_lst=['o','^','s']#三个分类设置点的不同形状，不同形状默认颜色不同data=iris_datas.datalabels=iris_datas.target_namesprint('labels:',labels)cls_dict=defaultdict(list)#使用默认字典来进行分类，每个分类的数据放到一个单独的列表中fori,dinenumerate(data):cls_dict[labels[int(i/50)]].append(d)#一共3个种类,每一种类有50个样本集#print('col_dict:\n',col_dict)forcolin[0,2]:#一共4列；1,2列为一组(花萼的长与宽)；3，4列为一组(花瓣的长和宽)cls_list=[]fori,(cls,cls_ds)inenumerate(cls_dict.items()):#共3个分类draw_data=np.array(cls_ds)plot=plt.plot(draw_data[:,col],draw_data[:,col+1],style_lst[i])cls_list.append(cls)plt.legend(cls_list)plt.title('鸢尾花花瓣的长度和宽度')ifcol==2elseplt.title('鸢尾花花萼的长度和宽度')plt.xlabel('花瓣的长度(cm)')ifcol==2elseplt.xlabel('花萼的长度(cm)')plt.ylabel('花瓣的宽度(cm)')ifcol==2elseplt.ylabel('花萼的宽度(cm)')plt.show()[Python]内置类defaultdict(默认字典)介绍和使用场景(案例)-CSDN博客  数据直方图iris_csv_df.hist()#数据直方图histograms散点图（这里不区分是哪个类型）x轴表示sepal-length花萼长度，y轴表示sepal-width花萼宽度iris_csv_df.plot(x='sepal-length',y='sepal-width',kind='scatter')x轴表示patal-length花瓣长度，y轴表示patal-width花瓣宽度iris_csv_df.plot(x='petal-length',y='petal-width',kind='scatter')KDE图KDE图也被称作密度图(KernelDensityEstimate,核密度估计)。KDE可以理解为是对直方图的加窗平滑。通过KDE分布图，可以查看并对训练数据集和测试数据集中特征变量的分布情况。[Python]KDE图[作密度图(KernelDensityEstimate,核密度估计)]介绍和使用场景(案例)-CSDN博客plt.rcParams['axes.unicode_minus']=False#避免UserWarning:Glyph8722(\N{MINUSSIGN})missingfromcurrentfont.iris_csv_df.plot(kind='kde')与对应的直方图进行对比一下： iris_csv_df.plot(kind='hist')箱线图kind='box’绘制箱图,包含子图且子图的行列布局layout为2*2，子图共用x轴、y轴刻度标签为False。iris_csv_df.plot(kind='box',subplots=True,layout=(2,2),sharex=False,sharey=False)根据iris数据集使用K近邻算法进行线性回归[Python]scikit-learn-K近邻算法介绍和使用案例-CSDN博客