【数据科学】Python开源库数据集大全（附代码）

目录

• 工具库介绍
• scikit-learn
• statsmodels
• Seaborn
• PyTorch
• TensorFlow Datasets
• Keras
• NLTK
• 参考链接

  工具库介绍

  为了使初学者更容易入门，许多开源库提供了丰富而标准化的示例数据集，其中包括scikit-learn、NLTK、TensorFlow Datasets、Keras Datasets、Statsmodels以及Seaborn等。

  这些工具库不仅为初学者提供了方便的数据资源，还有对应的使用教程案例，基本上涵盖了所有数据类型：分类任务、预测问题、NLP自然语言处理项目以及深度学习中的图像、音频等等。

  1. Scikit-learn： Scikit-learn是一个用于机器学习和数据挖掘的Python开源库，提供了丰富而灵活的工具，用于数据预处理、模型选择、分类、回归等机器学习任务。
  2. Seaborn Datasets: Seaborn是一个用于绘制统计图形的库，同时也包含一些用于数据可视化的示例数据集，可通过seaborn.load_dataset加载。
  3. Statsmodels Datasets: Statsmodels是一个用于估计和统计模型的库，它包含一些示例数据集，用于演示其统计模型的应用。
  4. TensorFlow Datasets (tfds): TensorFlow Datasets是由TensorFlow提供的一个库，其中包含了各种用于机器学习的数据集。
  5. PyTorch Datasets: PyTorch也提供了一些内置数据集，可通过torchvision.datasets等模块进行访问。这些数据集通常用于计算机视觉任务。
  6. Keras Datasets: Keras（现在是TensorFlow的一部分）包含一些内置数据集，特别是用于深度学习的图像和文本数据集。
  7. NLTK (Natural Language Toolkit): NLTK是用于自然语言处理的库，提供了一些文本数据集，如语料库和语言模型。

  scikit-learn

  

  scikit-learn（sklearn）中常用数据集以及加载和探索它们的示例代码：

  1. 鸢尾花数据集（Iris Dataset）： 包含150朵鸢尾花的数据集，每朵花属于三个不同的物种，可以用于各种分类任务的练习。

     from sklearn.datasets import load_iris
     iris = load_iris()
     X, y = iris.data, iris.target
     # 现在 X 包含特征，y 包含标签
     

  2. 手写数字数据集（Digits Dataset）：

     • 包含8x8像素的手写数字图像数据集，涵盖数字0到9。

       from sklearn.datasets import load_digits
       digits = load_digits()
       X, y = digits.data, digits.target
       # 现在 X 包含特征，y 包含标签
       

     • 乳腺癌数据集（Breast Cancer Dataset）：

       • 用于乳腺癌诊断的数据集，包含从乳腺块的数字化图像中计算的特征。

         from sklearn.datasets import load_breast_cancer
         cancer = load_breast_cancer()
         X, y = cancer.data, cancer.target
         # 现在 X 包含特征，y 包含标签
         

       • 葡萄酒数据集（Wine Dataset）：

         • 包含来自三种不同葡萄品种的葡萄酒的化学分析结果。

           from sklearn.datasets import load_wine
           wine = load_wine()
           X, y = wine.data, wine.target
           # 现在 X 包含特征，y 包含标签
           

         • 糖尿病数据集（Diabetes Dataset）：

           • 用于糖尿病患者的数据集，包含十个基线变量，如年龄、性别、体重指数、平均血压和六项血清测量。

             from sklearn.datasets import load_diabetes
             diabetes = load_diabetes()
             X, y = diabetes.data, diabetes.target
             # 现在 X 包含特征，y 包含标签
             

  statsmodels

  

  statsmodels库提供了一些用于估计和统计模型的示例数据集。以下是一些常见的statsmodels数据集：

  1. Anes96 数据集:

     • 美国1996年总统选举的调查数据，包含有关选民投票的信息。

       import statsmodels.api as sm
       anes96 = sm.datasets.anes96.load_pandas().data
       

     • Ccard 数据集:

       • 包含有关信用卡持有者和非持有者的信息。

         import statsmodels.api as sm
         ccard = sm.datasets.ccard.load_pandas().data
         

       • Copper 数据集:

         • 描述了铜价格和生产量的时间序列数据。

           import statsmodels.api as sm
           copper = sm.datasets.copper.load_pandas().data
           

         • Longley 数据集:

           • 由经济学家 Robert Longley 创建的数据集，包含了20世纪50年代至60年代初期的美国经济数据。

             import statsmodels.api as sm
             longley = sm.datasets.longley.load_pandas().data
             

           • Macrodata 数据集:

             • 包含美国宏观经济数据的时间序列。

               import statsmodels.api as sm
               macrodata = sm.datasets.macrodata.load_pandas().data
               

             • Nile 数据集:

               • 描述了尼罗河每年的水位。

                 import statsmodels.api as sm
                 nile = sm.datasets.nile.load_pandas().data
                 

  这些数据集可以通过statsmodels.api中的相应函数进行加载，然后使用Pandas或其他数据处理工具进行进一步的分析和建模。请注意，这些数据集通常以Pandas DataFrame的形式返回，因此可以直接使用Pandas的功能进行数据处理和可视化。

  Seaborn

  

  Seaborn是一个基于Matplotlib的数据可视化库，它提供了一些示例数据集，用于绘制统计图形。以下是一些常见的Seaborn数据集：

  1. Tips 数据集:

     • 包含餐厅顾客给出的小费、总账单、顾客性别、就餐日期和就餐时间等信息。

       import seaborn as sns
       tips = sns.load_dataset("tips")
       

     • Flights 数据集:

       • 包含了每个月的航班乘客数量的时间序列数据。

         import seaborn as sns
         flights = sns.load_dataset("flights")
         

       • Iris 数据集:

         • 鸢尾花数据集，包含了三种不同鸢尾花的花瓣和萼片的测量值。

           import seaborn as sns
           iris = sns.load_dataset("iris")
           

         • Titanic 数据集:

           • 包含了泰坦尼克号乘客的信息，如年龄、性别、仓位等，以及是否幸存的信息。

             import seaborn as sns
             titanic = sns.load_dataset("titanic")
             

           • Planets 数据集:

             • 包含有关已知系外行星的信息，如发现日期、质量、距离等。

               import seaborn as sns
               planets = sns.load_dataset("planets")
               

  这些数据集可以通过seaborn.load_dataset函数加载，并且以Pandas DataFrame的形式返回。一旦加载了这些数据集，可以使用Seaborn和Matplotlib来创建各种统计图形。

  PyTorch

  

  PyTorch 提供了一些内置的数据集，这些数据集通常用于计算机视觉任务，可以使用 torchvision 库来访问这些数据集。以下是一些常见的 PyTorch 数据集及其加载代码：

  1. MNIST 数据集:

     • 包含手写数字（0到9）的灰度图像。

       import torchvision.datasets as datasets
       mnist_train = datasets.MNIST(root="./data", train=True, download=True)
       mnist_test = datasets.MNIST(root="./data", train=False, download=True)
       

     • CIFAR-10 数据集:

       • 包含 10 个不同类别的彩色图像。

         import torchvision.datasets as datasets
         cifar10_train = datasets.CIFAR10(root="./data", train=True, download=True)
         cifar10_test = datasets.CIFAR10(root="./data", train=False, download=True)
         

       • Fashion MNIST 数据集:

         • 与 MNIST 类似，但包含了 10 种不同的时尚物品的灰度图像。

           import torchvision.datasets as datasets
           fashion_mnist_train = datasets.FashionMNIST(root="./data", train=True, download=True)
           fashion_mnist_test = datasets.FashionMNIST(root="./data", train=False, download=True)
           

         • ImageNet 数据集:

           • 包含大量类别的图像，用于图像分类任务。

             import torchvision.datasets as datasets
             # 需要指定 ImageNet 数据集的路径
             imagenet_train = datasets.ImageNet(root="./imagenet", split="train", download=True)
             imagenet_val = datasets.ImageNet(root="./imagenet", split="val", download=True)
             

  这里，root 参数指定数据集下载的路径，train 参数指定是否下载训练集，download 参数用于指定是否下载数据集（如果尚未下载）。

  TensorFlow Datasets

  

  需要安装 tensorflow-datasets 库，使用以下命令安装：pip install tensorflow-datasets

  TensorFlow Datasets (tfds) 是 TensorFlow 提供的一个库，用于加载和管理各种机器学习数据集。以下是一些常见的 TensorFlow Datasets 及其加载代码：

  1. MNIST 数据集:

     • 包含手写数字（0到9）的灰度图像。

       import tensorflow_datasets as tfds
       mnist, info = tfds.load("mnist", with_info=True)
       

     • CIFAR-10 数据集:

       • 包含 10 个不同类别的彩色图像。

         import tensorflow_datasets as tfds
         cifar10, info = tfds.load("cifar10", with_info=True)
         

       • IMDB 电影评论数据集:

         • 包含来自 Internet Movie Database (IMDB) 的电影评论，用于情感分析任务。

           import tensorflow_datasets as tfds
           imdb, info = tfds.load("imdb_reviews", with_info=True)
           

         • Fashion MNIST 数据集:

           • 与 MNIST 类似，但包含了 10 种不同的时尚物品的灰度图像。

             import tensorflow_datasets as tfds
             fashion_mnist, info = tfds.load("fashion_mnist", with_info=True)
             

           • tf_flowers 数据集:

             • 包含五个不同类别的花卉图像。

               import tensorflow_datasets as tfds
               flowers, info = tfds.load("tf_flowers", with_info=True)
               

  这里的 with_info=True 参数可用于获取有关数据集的额外信息，例如数据集的大小、```

  Keras

  

  在Keras中，keras.datasets模块提供了一些内置的数据集，用于快速测试和构建深度学习模型。以下是一些常见的Keras数据集及其加载代码：

  1. MNIST 数据集:

     • 包含手写数字（0到9）的灰度图像。

       from keras.datasets import mnist
       (x_train, y_train), (x_test, y_test) = mnist.load_data()
       

     • CIFAR-10 数据集:

       • 包含 10 个不同类别的彩色图像。

         from keras.datasets import cifar10
         (x_train, y_train), (x_test, y_test) = cifar10.load_data()
         

       • Fashion MNIST 数据集:

         • 与 MNIST 类似，但包含了 10 种不同的时尚物品的灰度图像。

           from keras.datasets import fashion_mnist
           (x_train, y_train), (x_test, y_test) = fashion_mnist.load_data()
           

         • IMDB 电影评论数据集:

           • 包含来自 Internet Movie Database (IMDB) 的电影评论，用于情感分析任务。

             from keras.datasets import imdb
             (x_train, y_train), (x_test, y_test) = imdb.load_data()
             

           • Boston Housing 数据集:

             • 包含波士顿地区的房价数据，用于回归任务。

               from keras.datasets import boston_housing
               (x_train, y_train), (x_test, y_test) = boston_housing.load_data()
               

  NLTK

  

  NLTK（Natural Language Toolkit）是一个用于处理自然语言文本数据的Python库。NLTK包含了一些示例数据集，以及用于自然语言处理的工具和资源。

  这些数据集和资源可以通过使用nltk.download函数进行下载。

  以下是一些NLTK数据集及其加载代码的示例：

  1. Gutenberg 语料库:

     • 包含来自Project Gutenberg的文本文学作品。

       import nltk
       from nltk.corpus import gutenberg
       nltk.download('gutenberg')
       gutenberg.fileids()
       

     • Brown 语料库:

       • 包含按照不同主题和文体划分的文本。

         import nltk
         from nltk.corpus import brown
         nltk.download('brown')
         brown.categories()
         

       • Movie Reviews 语料库:

         • 包含正面和负面电影评论的语料库。

           import nltk
           from nltk.corpus import movie_reviews
           nltk.download('movie_reviews')
           movie_reviews.categories()
           

         • Stopwords 停用词:

           • 包含常见的停用词，用于文本处理时过滤掉常见的无意义词语。

             import nltk
             from nltk.corpus import stopwords
             nltk.download('stopwords')
             stop_words = set(stopwords.words('english'))
             

           • WordNet 语料库:

             • 包含词汇和单词之间的关系。

               import nltk
               from nltk.corpus import wordnet
               nltk.download('wordnet')
               

  参考链接

  • scikit-learn官网: scikit-learn: machine learning in Python
  • NLTK (Natural Language Toolkit)官方网站：NLTK
  • TensorFlow Datasets 文档：tfds Documentation
  • Keras Datasets 文档：Keras Datasets Documentation
  • Statsmodels 官方网站：Statsmodels
  • Seaborn 官方网站：Seaborn
  • TensorFlow 官方网站：TensorFlow
  • PyTorch 官方网站：PyTorch