是否有Python的示例数据集？

Question

为了快速测试,调试,创建可移植示例和基准测试,R可以使用大量数据集(在Base R datasets包中).该命令library(help="datasets")在将R提示描述近100年前的数据集,其中的每一个具有相关联的描述和元数据.

Python有这样的东西吗？

Answer 1

您可以使用rpy2包来从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data()使用任何数据集的可用数据集名称调用(就像在R)

>>> 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

要查看包含每个数据集的可用数据集的列表:

>>> print(r.data())

注意:rpy2需要R使用设置R_HOME变量pandas进行安装,并且必须同时安装.

更新:

我刚刚创建了PyDataset,这是一个简单的模块,可以像Python一样轻松地从Python加载数据集R(并且它不需要R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')

Answer 2

还有Scikit-Learn库中提供的数据集.

from sklearn import datasets

此包中有多个数据集.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).

Answer 3

我最初将其发布在Pandas中的相关问题Sample Datasets上，但由于它与外部Pandas有关，因此我也将其包括在此处。

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已经使用过的任何包装（通常是海豹或大熊猫）。如果您需要脱机访问，则使用Quilt安装数据集似乎是唯一的选择。

海生

出色的绘图程序包seaborn具有多个内置样本数据集。

import seaborn as sns

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

import seaborn as sns

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

大熊猫

如果您不想导入seaborn，但仍想访问其样本数据集，则可以从其URL读取原始样本数据：

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的列类型被修改，通过sns.load_dataset()直接从url获取结果可能会导致结果不同。虹膜和笔尖示例数据集也可在此处的pandas github存储库中找到。

R个样本数据集

由于可以通过读取任何数据集pd.read_csv()，因此可以通过复制R数据集存储库中的URL来访问所有R的样本数据集。

加载R个样本数据集的其他方式包括 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 以numpy数组而不是pandas数据框的形式返回示例数据。

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是一个数据集管理器，旨在促进数据集管理。它包括许多共同的样品的数据集，如 几个从uciml样品库。在快速启动页面演示了如何安装并导入虹膜数据集：

# 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，如果要脱机使用数据，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 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

被子还支持数据集版本控制，并包括每个数据集的简短描述。