[Python] 机器学习 - 常用数据集(Dataset)之鸢尾花(Iris)数据集介绍，数据可视化和使用案例

鸢(yuān)尾花(Iris)数据集介绍

鸢【音：yuān】尾花（Iris）是单子叶百合目花卉，是一种比较常见的花，而且鸢尾花的品种较多，在某个公园里你可能不经意间就能碰见它。

鸢尾花数据集最初由Edgar Anderson 测量得到，而后在著名的统计学家和生物学家R.A Fisher于1936年发表的文章「The use of multiple measurements in taxonomic problems」中被使用，用它作为线性判别分析（Linear Discriminant Analysis）的一个例子，证明分类的统计方法。该数据集是在机器学习领域一个常用的数据集。

数据中的两类鸢尾花记录结果是在加拿大加斯帕半岛上，在同一天的同一个时间段，使用相同的测量仪器，在相同的牧场上由同一个人测量出来的。这是一份有着70年历史的数据，虽然老，但是却很经典，详细数据集可以在UCI 数据库（http://archive.ics.uci.edu/ml/datasets/Iris） 中找到。

http://archive.ics.uci.edu/static/public/53/iris.zip

Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa(山鸢尾)，Versicolour(杂色鸢尾)，Virginica(维吉尼亚鸢尾)）三个种类中的哪一类。

鸢尾花（iris）数据集，它共有4个属性列和一个品种类别列：sepal length（萼片长度）、sepal width（萼片宽度）、petal length（花瓣长度）、petal width （花瓣宽度），单位都是厘米。3个品种类别是Setosa、Versicolour、Virginica，样本数量150个，每类50个。

本文主要通过Jupyter Notebook对鸢尾花数据集（Iris）进行读取，显示数据，并对数据可视化，最后使用该数据集来应用于K近邻算法线性回归分析。

1）读取数据包括scikit-learn库引入和读取.csv文件保存的数据集。

2）显示数据包括显示具体数据、查看整体数据信息、描述性统计。

3）数据可视化包括散点图、直方图、KDE图、箱线图等。

4）应用该数据集于scikit-learn的K近邻算法进行线性回归分析。

读取数据

1. from sklearn import datasets
2. import pandas as pd
4. iris_datas = datasets.load_iris()
6. iris_df = pd.DataFrame(iris_datas.data, columns=['Sepal Length', 'Sepal Width', 'Petal Length', 'Petal Width'])
8. # 它是一个很小的数据集，仅有150行，5列。该数据集的四个特征(1~4)列属性的取值都是数值型的，
9. # 他们具有相同的量纲，不需要你做任何标准化的处理，
10. # 第五列为通过前面四列所确定的鸢尾花所属的类别名称。
11. iris_csv_url = "https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data"
12. names = ['sepal-length', 'sepal-width', 'petal-length', 'petal-width', 'class']
13. iris_csv_df = pd.read_csv(iris_csv_url, names=names)

显示数据

基本数据信息

1. # 四列数据分别为
2. # 列1 - Sepal Length Cm: 花萼长度, 单位cm；
3. # 列2 - Sepal Width Cm: 花萼宽度, 单位cm；
4. # 列3 - Petal Length Cm: 花瓣长度, 单位cm
5. # 列4 - Petal Width Cm; 花瓣宽度, 单位cm
6. iris_datas.data[0:10]

iris_df.head()

iris_datas.data.shape iris_df.shape

1. # Sepa Length Cm: 花萼长度, 单位cm；
2. # Sepal Width Cm: 花萼宽度, 单位cm；
3. # Petal Length Cm: 花瓣长度, 单位cm
4. # Petal Width Cm; 花瓣宽度, 单位cm
5. iris_datas.feature_names

iris_datas.target[0:5] iris_datas.target.shape iris_datas.target_names

print(iris_datas.DESCR)

iris_csv_df.head()

 

查看数据整体信息

iris_df.info()

查看描述性统计

1. iris_df.describe()
3. iris_df.describe().T

数据可视化

花萼长度与宽度分布 / 花瓣长度与宽度分布（用颜色和形状区分类型）

1. from collections import Counter, defaultdict
2. import matplotlib.pyplot as plt
3. import numpy as np
4. plt.rcParams['font.sans-serif'] = ['SimHei'] # 支持中文字体
6. style_lst = ['o', '^', 's'] # 三个分类设置点的不同形状，不同形状默认颜色不同
7. data = iris_datas.data
8. labels = iris_datas.target_names
9. print('labels:', labels)
10. cls_dict = defaultdict(list) # 使用默认字典来进行分类，每个分类的数据放到一个单独的列表中
11. for i, d in enumerate(data):
12. cls_dict[labels[int(i/50)]].append(d) # 一共3个种类,每一种类有50个样本集
14. # print('col_dict:\n', col_dict)
15. for col in [0, 2]: # 一共4列； 1,2列为一组(花萼的长与宽)；3，4列为一组(花瓣的长和宽)
16. cls_list = []
17. for i, (cls, cls_ds) in enumerate(cls_dict.items()):# 共3个分类
18. draw_data = np.array(cls_ds)
19. plot = plt.plot(draw_data[:, col], draw_data[:, col+1], style_lst[i])
20. cls_list.append(cls)
22. plt.legend(cls_list)
23. plt.title('鸢尾花花瓣的长度和宽度') if col==2 else plt.title('鸢尾花花萼的长度和宽度')
24. plt.xlabel('花瓣的长度(cm)') if col==2 else plt.xlabel('花萼的长度(cm)')
25. plt.ylabel('花瓣的宽度(cm)') if col==2 else plt.ylabel('花萼的宽度(cm)')
26. plt.show()

[Python] 内置类defaultdict(默认字典)介绍和使用场景(案例)-CSDN博客 

 数据直方图

iris_csv_df.hist() #数据直方图histograms

散点图（这里不区分是哪个类型）

x轴表示sepal-length花萼长度，y轴表示sepal-width花萼宽度

iris_csv_df.plot(x='sepal-length', y='sepal-width', kind='scatter')

x轴表示patal-length花瓣长度，y轴表示patal-width花瓣宽度

iris_csv_df.plot(x='petal-length', y='petal-width', kind='scatter')

KDE图

KDE图也被称作密度图(Kernel Density Estimate,核密度估计)。

KDE可以理解为是对直方图的加窗平滑。通过KDE分布图，可以查看并对训练数据集和测试数据集中特征变量的分布情况。[Python] KDE图[作密度图(Kernel Density Estimate,核密度估计)]介绍和使用场景(案例)-CSDN博客

1. plt.rcParams['axes.unicode_minus'] = False # 避免 UserWarning: Glyph 8722 (\N{MINUS SIGN}) missing from current font.
2. iris_csv_df.plot(kind='kde')

与对应的直方图进行对比一下： 

iris_csv_df.plot(kind='hist')

箱线图

kind='box’绘制箱图,包含子图且子图的行列布局layout为2*2，子图共用x轴、y轴刻度标签为False。

iris_csv_df.plot(kind='box', subplots=True, layout=(2,2), sharex=False, sharey=False)

根据iris数据集使用K近邻算法进行线性回归

[Python] scikit-learn - K近邻算法介绍和使用案例-CSDN博客