[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

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

from sklearn import datasets
import pandas as pd
 
iris_datas = datasets.load_iris()

iris_df = pd.DataFrame(iris_datas.data, columns=['Sepal Length', 'Sepal Width', 'Petal Length', 'Petal Width'])

# 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，
# 他们具有相同的量纲，不需要你做任何标准化的处理，
# 第五列为通过前面四列所确定的鸢尾花所属的类别名称。
iris_csv_url = "https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data"  
names = ['sepal-length', 'sepal-width', 'petal-length', 'petal-width', 'class'] 
iris_csv_df = pd.read_csv(iris_csv_url, names=names)

显示数据

基本数据信息

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

iris_df.head()

iris_datas.data.shape

iris_df.shape

# Sepa Length Cm: 花萼长度, 单位cm；
# Sepal Width Cm: 花萼宽度, 单位cm；
# Petal Length Cm: 花瓣长度, 单位cm
# Petal Width Cm; 花瓣宽度, 单位cm
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

iris_df.describe()

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）

from collections import Counter, defaultdict
import matplotlib.pyplot as plt
import numpy as np 
plt.rcParams['font.sans-serif'] = ['SimHei']  # 支持中文字体
 
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
data = iris_datas.data
labels = iris_datas.target_names
print('labels:', labels)
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
for i, d in enumerate(data):
    cls_dict[labels[int(i/50)]].append(d) # 一共3个种类,每一种类有50个样本集

# print('col_dict:\n', col_dict)
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)
    cls_list = []
    for i, (cls, cls_ds) in enumerate(cls_dict.items()):# 共3个分类
        draw_data = np.array(cls_ds)
        plot = plt.plot(draw_data[:, col], draw_data[:, col+1], style_lst[i])
        cls_list.append(cls)
 
    plt.legend(cls_list)
    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')
    plt.xlabel('花瓣的长度(cm)') if col==2 else plt.xlabel('花萼的长度(cm)')
    plt.ylabel('花瓣的宽度(cm)') if col==2 else plt.ylabel('花萼的宽度(cm)')
    plt.show()