【数据科学】Python开源库数据集大全（附代码）

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
   

3. 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
   

4. 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
   

5. 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
   

2. 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
   

3. 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
   

4. 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
   

5. 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
   

6. 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")
   

2. 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")
   

3. 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")
   

4. 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")
   

5. 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)
   

2. 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)
   

3. 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)
   

4. 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)
   

2. 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)
   

3. 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)
   

4. 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)
   

5. 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()
   

2. 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()
   

3. 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()
   

4. 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()
   

5. 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()
   

2. 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()
   

3. 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()
   

4. 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'))
   

5. 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