是否有 Python 的示例数据集？

Posted 2023-03-12

【中文标题】是否有 Python 的示例数据集？

【英文标题】：Are there any example data sets for Python?

【发布时间】：2013-05-10 20:56:24

【问题描述】：

为了快速测试、调试、创建可移植示例和基准测试，R 提供了大量数据集（在 Base R datasets 包中）。 R 提示符下的命令library(help="datasets") 描述了近 100 个历史数据集，每个数据集都有相关的描述和元数据。

Python 有这样的东西吗？

【问题讨论】：

确定只要去 google ...“dataset csv”并使用 csv 模块导入它...

相关***.com/questions/28417293/sample-datasets-in-pandas

【参考方案1】：

您可以使用rpy2 包从 Python 访问所有 R 数据集。

设置界面：

>>> from rpy2.robjects import r, pandas2ri
>>> def data(name): 
...    return pandas2ri.ri2py(r[name])

然后使用可用数据集的任何数据集名称调用data()（就像在R 中一样）

>>> df = data('iris')
>>> df.describe()
       Sepal.Length  Sepal.Width  Petal.Length  Petal.Width
count    150.000000   150.000000    150.000000   150.000000
mean       5.843333     3.057333      3.758000     1.199333
std        0.828066     0.435866      1.765298     0.762238
min        4.300000     2.000000      1.000000     0.100000
25%        5.100000     2.800000      1.600000     0.300000
50%        5.800000     3.000000      4.350000     1.300000
75%        6.400000     3.300000      5.100000     1.800000
max        7.900000     4.400000      6.900000     2.500000

要查看可用数据集的列表以及每个数据集的描述：

>>> print(r.data())

注意：rpy2 需要安装R 并设置R_HOME 变量，并且pandas 也必须安装。

更新

我刚刚创建了PyDataset，这是一个简单的模块，可以让从 Python 加载数据集像R 一样简单（它不需要安装R，只需要安装pandas）。

要开始使用它，请安装模块：

$ pip install pydataset

然后只需加载您想要的任何数据集（目前大约有 757 个数据集可用）：

from pydataset import data

titanic = data('titanic')

【参考方案2】：

Scikit-Learn 库中还有可用的数据集。

from sklearn import datasets

这个包中有多个数据集。一些玩具数据集是：

load_boston()          Load and return the boston house-prices dataset (regression).
load_iris()            Load and return the iris dataset (classification).
load_diabetes()        Load and return the diabetes dataset (regression).
load_digits([n_class]) Load and return the digits dataset (classification).
load_linnerud()        Load and return the linnerud dataset (multivariate regression).

【参考方案3】：

我最初在相关问题 Sample Datasets in Pandas 上发布了此内容，但由于它与 pandas 之外的相关，因此我也将其包含在此处。

现在有许多方法可用于访问 Python 中的示例数据集。就个人而言，我倾向于坚持使用我的任何包裹 已经在使用（通常是 seaborn 或 pandas）。如果您需要离线访问， 使用 Quilt 安装数据集似乎是唯一的选择。

Seaborn

出色的绘图包seaborn 有几个内置的样本数据集。

import seaborn as sns

iris = sns.load_dataset('iris')
iris.head()

   sepal_length  sepal_width  petal_length  petal_width species
0           5.1          3.5           1.4          0.2  setosa
1           4.9          3.0           1.4          0.2  setosa
2           4.7          3.2           1.3          0.2  setosa
3           4.6          3.1           1.5          0.2  setosa
4           5.0          3.6           1.4          0.2  setosa

熊猫

如果您不想导入seaborn，但仍想访问its sample data sets，您可以从其URL读取seaborn示例数据：

iris = pd.read_csv('https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv')

请注意，包含分类列的样本数据集有其column type modified by sns.load_dataset()，结果可能不一样 通过直接从 url 获取它。 iris 和tips 样本数据集也是 可在 pandas github repo here 中获得。

R 样本数据集

由于可以通过pd.read_csv() 读取任何数据集，因此可以访问所有 通过从this R data set repository 复制 URL 来获得 R 的示例数据集。

加载 R 样本数据集的其他方法包括 statsmodel

import statsmodels.api as sm

iris = sm.datasets.get_rdataset('iris').data

和PyDataset

from pydataset import data

iris = data('iris')

scikit-学习

scikit-learn 将样本数据返回为 numpy 数组而不是 pandas 数据 框架。

from sklearn.datasets import load_iris

iris = load_iris()
# `iris.data` holds the numerical values
# `iris.feature_names` holds the numerical column names
# `iris.target` holds the categorical (species) values (as ints)
# `iris.target_names` holds the unique categorical names

被子

Quilt 是为方便而创建的数据集管理器 数据集管理。它包括许多常见的样本数据集，例如 several 来自 uciml sample repository。 quick start page 显示如何安装 并导入 iris 数据集：

# In your terminal
$ pip install quilt
$ quilt install uciml/iris

安装数据集后，可以在本地访问它，因此如果您想离线处理数据，这是最佳选择。

import quilt.data.uciml.iris as ir

iris = ir.tables.iris()

   sepal_length  sepal_width  petal_length  petal_width        class
0           5.1          3.5           1.4          0.2  Iris-setosa
1           4.9          3.0           1.4          0.2  Iris-setosa
2           4.7          3.2           1.3          0.2  Iris-setosa
3           4.6          3.1           1.5          0.2  Iris-setosa
4           5.0          3.6           1.4          0.2  Iris-setosa

Quilt 还支持数据集版本控制，并包含每个数据集的 short description。

【参考方案4】：

根据 Joran 的评论，我找到了 statsmodels 模块，它提供了自己的 datasets 包。 online documentation 展示了如何导入 R 中可用的数据集的示例：

import statsmodels.api as sm
duncan_prestige = sm.datasets.get_rdataset("Duncan", "car")
print duncan_prestige.__doc__

【讨论】：

ValueError: Dataset Duncan was not found. statsmodels 0.9

【参考方案5】：

MyMVPA 是另一个可以轻松访问数据库的模块。您可以查看下面的链接。

>>> from mvpa2.tutorial_suite import *
>>> data = [[  1,  1, -1],
...         [  2,  0,  0],
...         [  3,  1,  1],
...         [  4,  0, -1]]
>>> ds = Dataset(data)
>>> ds.shape
(4, 3)
>>> len(ds)
4

链接示例

http://www.pymvpa.org/tutorial_datasets.html

【参考方案6】：

具体来说，以@tmthydvnprt 为例：

from sklearn import datasets
iris = datasets.load_iris()

可以通过iris.data调用实际的数据集。

http://scikit-learn.org/stable/datasets/

运行 Python 3.5