Python 中的 datasets.load_iris()

Question

函数 load_iris() 有什么作用？另外，我不明白它包含什么类型的数据以及在哪里可以找到它。

 iris = datasets.load_iris()
X = iris.data
target = iris.target
names = iris.target_names

有人可以详细说明这段代码的作用吗？提前致谢。

原文由 LenushK 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

load_iris 是来自 sklearn 的函数。该链接提供文档： iris 在您的代码中将是一个类似字典的对象。 X and y will be numpy arrays, and names has the array of possible targets as text (rather than numeric values as in y ）。

原文由 Arya McCarthy 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 2

您可以获得一些文档：

 # import some data to play with
iris = datasets.load_iris()

print('The data matrix:\n',iris['data'])
print('The classification target:\n',iris['target'])
print('The names of the dataset columns:\n',iris['feature_names'])
print('The names of target classes:\n',iris['target_names'])
print('The full description of the dataset:\n',iris['DESCR'])
print('The path to the location of the data:\n',iris['filename'])

这给你：

• 数据矩阵：

  [[5.1 3.5 1.4 0.2]
  [4.9 3.  1.4 0.2]
  [4.7 3.2 1.3 0.2]
  [4.6 3.1 1.5 0.2]
  [5.  3.6 1.4 0.2]
  [5.4 3.9 1.7 0.4]
  [4.6 3.4 1.4 0.3]
  [5.  3.4 1.5 0.2]
  [4.4 2.9 1.4 0.2]
  [4.9 3.1 1.5 0.1]
  [5.4 3.7 1.5 0.2]
  [4.8 3.4 1.6 0.2]
  [4.8 3.  1.4 0.1]
  [4.3 3.  1.1 0.1]
  [5.8 4.  1.2 0.2]
  [5.7 4.4 1.5 0.4]
  [5.4 3.9 1.3 0.4]
  [5.1 3.5 1.4 0.3]
  [5.7 3.8 1.7 0.3]
  [5.1 3.8 1.5 0.3]
  [5.4 3.4 1.7 0.2]
  [5.1 3.7 1.5 0.4]
  [4.6 3.6 1.  0.2]
  [5.1 3.3 1.7 0.5]
  [4.8 3.4 1.9 0.2]
  [5.  3.  1.6 0.2]
  [5.  3.4 1.6 0.4]
  [5.2 3.5 1.5 0.2]
  [5.2 3.4 1.4 0.2]
  [4.7 3.2 1.6 0.2]
  [4.8 3.1 1.6 0.2]
  [5.4 3.4 1.5 0.4]
  [5.2 4.1 1.5 0.1]
  [5.5 4.2 1.4 0.2]
  [4.9 3.1 1.5 0.2]
  [5.  3.2 1.2 0.2]
  [5.5 3.5 1.3 0.2]
  [4.9 3.6 1.4 0.1]
  [4.4 3.  1.3 0.2]
  [5.1 3.4 1.5 0.2]
  [5.  3.5 1.3 0.3]
  [4.5 2.3 1.3 0.3]
  [4.4 3.2 1.3 0.2]
  [5.  3.5 1.6 0.6]
  [5.1 3.8 1.9 0.4]
  [4.8 3.  1.4 0.3]
  [5.1 3.8 1.6 0.2]
  [4.6 3.2 1.4 0.2]
  [5.3 3.7 1.5 0.2]
  [5.  3.3 1.4 0.2]
  [7.  3.2 4.7 1.4]
  [6.4 3.2 4.5 1.5]
  [6.9 3.1 4.9 1.5]
  [5.5 2.3 4.  1.3]
  [6.5 2.8 4.6 1.5]
  [5.7 2.8 4.5 1.3]
  [6.3 3.3 4.7 1.6]
  [4.9 2.4 3.3 1. ]
  [6.6 2.9 4.6 1.3]
  [5.2 2.7 3.9 1.4]
  [5.  2.  3.5 1. ]
  [5.9 3.  4.2 1.5]
  [6.  2.2 4.  1. ]
  [6.1 2.9 4.7 1.4]
  [5.6 2.9 3.6 1.3]
  [6.7 3.1 4.4 1.4]
  [5.6 3.  4.5 1.5]
  [5.8 2.7 4.1 1. ]
  [6.2 2.2 4.5 1.5]
  [5.6 2.5 3.9 1.1]
  [5.9 3.2 4.8 1.8]
  [6.1 2.8 4.  1.3]
  [6.3 2.5 4.9 1.5]
  [6.1 2.8 4.7 1.2]
  [6.4 2.9 4.3 1.3]
  [6.6 3.  4.4 1.4]
  [6.8 2.8 4.8 1.4]
  [6.7 3.  5.  1.7]
  [6.  2.9 4.5 1.5]
  [5.7 2.6 3.5 1. ]
  [5.5 2.4 3.8 1.1]
  [5.5 2.4 3.7 1. ]
  [5.8 2.7 3.9 1.2]
  [6.  2.7 5.1 1.6]
  [5.4 3.  4.5 1.5]
  [6.  3.4 4.5 1.6]
  [6.7 3.1 4.7 1.5]
  [6.3 2.3 4.4 1.3]
  [5.6 3.  4.1 1.3]
  [5.5 2.5 4.  1.3]
  [5.5 2.6 4.4 1.2]
  [6.1 3.  4.6 1.4]
  [5.8 2.6 4.  1.2]
  [5.  2.3 3.3 1. ]
  [5.6 2.7 4.2 1.3]
  [5.7 3.  4.2 1.2]
  [5.7 2.9 4.2 1.3]
  [6.2 2.9 4.3 1.3]
  [5.1 2.5 3.  1.1]
  [5.7 2.8 4.1 1.3]
  [6.3 3.3 6.  2.5]
  [5.8 2.7 5.1 1.9]
  [7.1 3.  5.9 2.1]
  [6.3 2.9 5.6 1.8]
  [6.5 3.  5.8 2.2]
  [7.6 3.  6.6 2.1]
  [4.9 2.5 4.5 1.7]
  [7.3 2.9 6.3 1.8]
  [6.7 2.5 5.8 1.8]
  [7.2 3.6 6.1 2.5]
  [6.5 3.2 5.1 2. ]
  [6.4 2.7 5.3 1.9]
  [6.8 3.  5.5 2.1]
  [5.7 2.5 5.  2. ]
  [5.8 2.8 5.1 2.4]
  [6.4 3.2 5.3 2.3]
  [6.5 3.  5.5 1.8]
  [7.7 3.8 6.7 2.2]
  [7.7 2.6 6.9 2.3]
  [6.  2.2 5.  1.5]
  [6.9 3.2 5.7 2.3]
  [5.6 2.8 4.9 2. ]
  [7.7 2.8 6.7 2. ]
  [6.3 2.7 4.9 1.8]
  [6.7 3.3 5.7 2.1]
  [7.2 3.2 6.  1.8]
  [6.2 2.8 4.8 1.8]
  [6.1 3.  4.9 1.8]
  [6.4 2.8 5.6 2.1]
  [7.2 3.  5.8 1.6]
  [7.4 2.8 6.1 1.9]
  [7.9 3.8 6.4 2. ]
  [6.4 2.8 5.6 2.2]
  [6.3 2.8 5.1 1.5]
  [6.1 2.6 5.6 1.4]
  [7.7 3.  6.1 2.3]
  [6.3 3.4 5.6 2.4]
  [6.4 3.1 5.5 1.8]
  [6.  3.  4.8 1.8]
  [6.9 3.1 5.4 2.1]
  [6.7 3.1 5.6 2.4]
  [6.9 3.1 5.1 2.3]
  [5.8 2.7 5.1 1.9]
  [6.8 3.2 5.9 2.3]
  [6.7 3.3 5.7 2.5]
  [6.7 3.  5.2 2.3]
  [6.3 2.5 5.  1.9]
  [6.5 3.  5.2 2. ]
  [6.2 3.4 5.4 2.3]
  [5.9 3.  5.1 1.8]]
  

• 分类目标：

  [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
  0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
  1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
  2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
  2 2]
  

• 数据集列的名称：

  ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
  

• 目标类的名称：

  ['setosa' 'versicolor' 'virginica']
  

• 数据集的完整描述：

.._iris_dataset:

鸢尾植物数据集

---

数据集特征：

 :Number of Instances: 150 (50 in each of three classes)
:Number of Attributes: 4 numeric, predictive attributes and the class
:Attribute Information:
    - sepal length in cm
    - sepal width in cm
    - petal length in cm
    - petal width in cm
    - class:
            - Iris-Setosa
            - Iris-Versicolour
            - Iris-Virginica

:Summary Statistics:

============== ==== ==== ======= ===== ====================
                Min  Max   Mean    SD   Class Correlation
============== ==== ==== ======= ===== ====================
sepal length:   4.3  7.9   5.84   0.83    0.7826
sepal width:    2.0  4.4   3.05   0.43   -0.4194
petal length:   1.0  6.9   3.76   1.76    0.9490  (high!)
petal width:    0.1  2.5   1.20   0.76    0.9565  (high!)
============== ==== ==== ======= ===== ====================

:Missing Attribute Values: None
:Class Distribution: 33.3% for each of 3 classes.
:Creator: R.A. Fisher
:Donor: Michael Marshall ([e-mail])
:Date: July, 1988

著名的 Iris 数据库，首先由 RA Fisher 爵士使用。数据集取自 Fisher 的论文。请注意，它与 R 中的相同，但与 UCI 机器学习存储库中的不同，后者有两个错误的数据点。

这可能是模式识别文献中最著名的数据库。 Fisher 的论文是该领域的经典之作，时至今日仍被频繁引用。 （例如，参见 Duda & Hart。）该数据集包含 3 个类，每个类 50 个实例，其中每个类指一种鸢尾植物。一类与其他两类线性可分；后者彼此之间不是线性可分的。

..主题::参考

• Fisher, RA “在分类问题中使用多重测量”年度优生学，7，第二部分，179-188（1936 年）；也在“对数理统计的贡献”（John Wiley，纽约，1950 年）中。
• Duda, RO, & Hart, PE (1973) 模式分类和场景分析。 (Q327.D83) John Wiley & Sons。国际标准书号 0-471-22361-1。请参见第 218 页。
• Dasarathy, BV（1980 年）“在附近侦察：一种新的系统结构和分类规则，用于在部分暴露的环境中进行识别”。 IEEE 模式分析和机器智能交易，卷。 PAMI-2，第 1 号，67-71。
• Gates, GW (1972) “减少的最近邻规则”。 IEEE 信息论交易，1972 年 5 月，431-433。
• 另见：1988 年 MLC 会议记录，54-64。 Cheeseman 等人的 AUTOCLASS II 概念聚类系统在数据中找到 3 个类。
• 还有很多很多…

• 数据所在位置的路径：

/Applications/anaconda3/lib/python3.7/site-packages/sklearn/datasets/data/iris.csv

原文由 Raoul HATTERER 发布，翻译遵循 CC BY-SA 4.0 许可协议