資料結構
網路
關係資料庫管理系統
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
服裝設計
法律研究如何在 Python 中將 Sklearn 資料集轉換為 Pandas DataFrame？
Scikit−learn (sklearn) 是 Python 中最流行的機器學習庫之一。它提供了一系列用於機器學習和統計建模的有效工具，包括各種資料集。這些資料集以 NumPy 陣列的形式提供，對於某些任務（例如探索性資料分析）來說，使用起來可能比較困難。
Pandas 是一個流行的資料處理庫，它提供了強大的資料分析和處理工具。它提供資料結構以有效地儲存和處理大型資料集，並提供各種資料清洗、轉換和分析工具。
以下是兩種可以將 sklearn 資料集轉換為 pandas DataFrame 的方法。
將 sklearn Bunch 物件轉換為 pandas DataFrame：在這種方法中，我們將使用 pd.DataFrame() 方法將 sklearn Bunch 物件直接轉換為 pandas DataFrame。
使用 load_iris() 方法將 iris 資料集載入到 pandas DataFrame 中：在這種方法中，我們將使用 sklearn 提供的 load_iris() 方法載入 iris 資料集，然後將其資料轉換為 pandas DataFrame。
現在我們已經瞭解了這兩種方法，讓我們透過示例來使用它們。
使用 sklearn Bunch 物件
請考慮以下程式碼。
示例
from sklearn.datasets import load_iris import pandas as pd # Load the iris dataset from sklearn iris = load_iris() # Convert the iris dataset to a pandas dataframe df = pd.DataFrame(iris.data, columns=iris.feature_names) # Add the target variable to the dataframe df['target'] = iris.target # Print the first 5 rows of the dataframe print(df.head())
解釋
首先，我們從 sklearn.datasets 模組匯入 load_iris 函式，以及 pandas 庫。
然後，我們使用 load_iris() 函式將 iris 資料集載入到 iris 變數中。
我們使用 iris 資料和特徵名稱建立一個 pandas DataFrame df。在這裡，我們將 iris.data 作為資料傳遞，並將 iris.feature_names 作為 pd.DataFrame() 方法中的 columns 引數。
接下來，我們使用 iris.target 將目標變數新增到 pandas DataFrame 中，並將其分配給 DataFrame df 中的新列 target。
最後，我們使用 head() 方法列印 pandas DataFrame df 的前 5 行。
輸出
sepal length (cm) sepal width (cm) petal length (cm) petal width (cm) target 0 5.1 3.5 1.4 0.2 0 1 4.9 3.0 1.4 0.2 0 2 4.7 3.2 1.3 0.2 0 3 4.6 3.1 1.5 0.2 0 4 5.0 3.6 1.4 0.2 0
使用 load_iris() 方法
請考慮以下程式碼。
示例
from sklearn.datasets import load_iris import pandas as pd # Load the iris dataset from sklearn iris = load_iris() # Convert the dataset to a list of tuples data = [tuple(row) for row in iris.data] # Create a Pandas DataFrame from the list of tuples df = pd.DataFrame.from_records(data, columns=iris.feature_names) # Add the target variable to the DataFrame df['target'] = iris.target # Show the first five rows of the DataFrame print(df.head())
解釋
匯入所需的庫： 對於此方法，我們首先匯入必要的庫，包括 pandas、numpy 和 sklearn。
使用 sklearn.datasets 模組中的 load_boston 函式載入資料集： 我們使用 load_boston 函式將波士頓房價資料集載入到名為 boston 的變數中。
將資料轉換為 Pandas DataFrame： 我們使用 pd.DataFrame() 函式將資料轉換為 Pandas DataFrame。
將特徵名稱作為列名新增： 我們使用 boston 資料集的 feature_names 屬性設定 DataFrame 的列名。
將目標變數新增到 DataFrame 中： 我們透過建立一個名為“PRICE”的新列並將它的值設定為 boston 資料集中的目標變數，從而將目標變數新增到 DataFrame 中。
顯示 DataFrame 的前幾行： 我們使用 head() 函式顯示新建立的 Pandas DataFrame 的前幾行。
輸出
sepal length (cm) sepal width (cm) petal length (cm) petal width (cm) target 0 5.1 3.5 1.4 0.2 0 1 4.9 3.0 1.4 0.2 0 2 4.7 3.2 1.3 0.2 0 3 4.6 3.1 1.5 0.2 0 4 5.0 3.6 1.4 0.2 0
結論
總之，將 Sklearn 資料集轉換為 Pandas DataFrame 是一個簡單的過程，可以透過多種方式完成。無論您選擇使用 Sklearn 內建方法還是 Pandas 方法，生成的 Pandas DataFrame 都可以輕鬆地使用 Python 中的各種資料科學庫進行處理和分析。
5K+ 瀏覽量
