Python机器学习（二十七）Sklearn数据集基本信息

　　前面章节中，我们加载了SciKitLearn自带的数据集digits，可以通过以下语句查看数据集中包含哪些主要内容：digits。keys（）
　　输出dictkeys（〔data，target，targetnames，images，DESCR〕）data样本数据target目标值targetnames目标名称images图像格式（二维）的样本数据DESCR描述信息
　　查看数据集的描述：print（digits。DESCR）
　　输出。。digitsdataset：OpticalrecognitionofhandwrittendigitsdatasetDataSetCharacteristics：：NumberofInstances：5620：NumberofAttributes：64：AttributeInformation：8x8imageofintegerpixelsintherange0。。16。：MissingAttributeValues：None：Creator：E。Alpaydin（alpaydinboun。edu。tr）：Date：J1998ThisisacopyofthetestsetoftheUCIMLhandwrittendigitsdatasetshttps：archive。ics。uci。edumldatasetsOpticalRecognitionofHandwrittenDigitsThedatasetcontainsimagesofhandwrittendigits：10classeswhereeachclassreferstoadigit。PreprocessingprogramsmadeavailablebyNISTwereusedtoextractnormalizedbitmapsofhandwrittendigitsfromapreprintedform。Fromatotalof43people，30contributedtothetrainingsetanddifferent13tothetestset。32x32bitmapsarepidedintononoverlappingblocksof4x4andthenumberofonpixelsarecountedineachblock。Thisgeneratesaninputmatrixof8x8whereeachelementisanintegerintherange0。。16。Thisreducesdimensionalityandgivesinvariancetosmalldistortions。ForinfoonNISTpreprocessingroutines，seeM。D。Garris，J。L。Blue，G。T。Candela，D。L。Dimmick，J。Geist，P。J。Grother，S。A。Janet，andC。L。Wilson，NISTFormBasedHandprintRecognitionSystem，NISTIR5469，1994。。。topic：：ReferencesC。Kaynak（1995）MethodsofCombiningMultipleClassifiersandTheirApplicationstoHandwrittenDigitRecognition，MScThesis，InstituteofGraduateStudiesinScienceandEngineering，BogaziciUniversity。E。Alpaydin，C。Kaynak（1998）CascadingClassifiers，Kybernetika。KenTangandPonnuthuraiN。SuganthanandXiYaoandA。KaiQin。LineardimensionalityreductionusingrelevanceweightedLDA。SchoolofElectricalandElectronicEngineeringNanyangTechnologicalUniversity。2005。ClaudioGentile。ANewApproximateMaximalMarginClassificationAlgorithm。NIPS。2000。
　　这是一个手写数字的数据集。
　　类似地，你也可以查看其它内容：。。digitsdataset：OpticalrecognitionofhandwrittendigitsdatasetDataSetCharacteristics：：NumberofInstances：5620：NumberofAttributes：64：AttributeInformation：8x8imageofintegerpixelsintherange0。。16。：MissingAttributeValues：None：Creator：E。Alpaydin（alpaydinboun。edu。tr）：Date：J1998ThisisacopyofthetestsetoftheUCIMLhandwrittendigitsdatasetshttps：archive。ics。uci。edumldatasetsOpticalRecognitionofHandwrittenDigitsThedatasetcontainsimagesofhandwrittendigits：10classeswhereeachclassreferstoadigit。PreprocessingprogramsmadeavailablebyNISTwereusedtoextractnormalizedbitmapsofhandwrittendigitsfromapreprintedform。Fromatotalof43people，30contributedtothetrainingsetanddifferent13tothetestset。32x32bitmapsarepidedintononoverlappingblocksof4x4andthenumberofonpixelsarecountedineachblock。Thisgeneratesaninputmatrixof8x8whereeachelementisanintegerintherange0。。16。Thisreducesdimensionalityandgivesinvariancetosmalldistortions。ForinfoonNISTpreprocessingroutines，seeM。D。Garris，J。L。Blue，G。T。Candela，D。L。Dimmick，J。Geist，P。J。Grother，S。A。Janet，andC。L。Wilson，NISTFormBasedHandprintRecognitionSystem，NISTIR5469，1994。。。topic：：ReferencesC。Kaynak（1995）MethodsofCombiningMultipleClassifiersandTheirApplicationstoHandwrittenDigitRecognition，MScThesis，InstituteofGraduateStudiesinScienceandEngineering，BogaziciUniversity。E。Alpaydin，C。Kaynak（1998）CascadingClassifiers，Kybernetika。KenTangandPonnuthuraiN。SuganthanandXiYaoandA。KaiQin。LineardimensionalityreductionusingrelevanceweightedLDA。SchoolofElectricalandElectronicEngineeringNanyangTechnologicalUniversity。2005。ClaudioGentile。ANewApproximateMaximalMarginClassificationAlgorithm。NIPS。2000。
　　注意：如果使用readcsv（）导入数据集，数据集已经分割好，导入的数据集中可能没有描述字段，但是你可以使用head（）或tail（）来检查数据。在这种情况下，最好仔细查看数据描述文件夹！
　　接下来，我们进一步了解数据集中的数据。
　　可以看到，数据集中的数据都是numpy数组的格式，可以查看这些数组的数据类型，形状，长度等信息。importnumpyasnp打印data数组的形状print（digits。data。shape）输出：（1797，64）打印data数组的类型print（digits。data。dtype）输出：float64打印target数组的形状print（digits。target。shape）输出：（1797，）打印target数组的类型print（digits。target。dtype）输出：int32打印target数组中包含的唯一值数量print（len（np。unique（digits。target）））输出：10打印targetnames数组的形状print（digits。targetnames。shape）输出：（10，）打印targetnames数组的类型print（digits。targetnames。dtype）输出：int32打印images数组的形状print（digits。images。shape）输出：（1797，8，8）打印images数组的类型print（digits。images。dtype）输出：float64
　　可以看出，digits。data中，有1797个样本，每个样本有64个特征值（实际上是像素灰度值）。
　　digits。target中，包含了上面样本数据对应的目标值（样本标签），同样有1797个目标值，但10个唯一值，即09。换句话说，所有1797个目标值都由0到9之间的数字组成，这意味着模型要识别的是从0到9的数字。
　　digits。targetnames包含了样本标签的名称：09。
　　最后，可以看到digits。images数组包含3个维度：有1797个实例，大小为88像素。digits。images数据与digits。data内容应该相同，只是格式不同。可以通过以下方式验证两者内容是否相同：print（np。all（digits。images。reshape（（1797，64））digits。data））输出：true
　　把digits。images改变形状为（1797，64），与digits。data比较，两者相等。numpy方法all（）可以检测所有数组元素的值是否为True。