scikit-learn には、機械学習やデータマイニングをすぐに試すことができるよう、実験用データが同梱されています。このページでは、いくつかのデータセットについて紹介します。
Iris (アヤメの計測データ、通称：アイリス)
“setosa”, “versicolor”, “virginica” という 3 種類の品種のアヤメのがく片 (Sepal)、花弁 (Petal) の幅および長さを計測したデータです。
データセットの詳細
| レコード数 | 150 |
|---|---|
| カラム数 | 4 |
| 主な用途 | 分類 (Classification) |
| データセットの詳細 | UCI Machine Learning Repository: Iris Data Set |
各カラムの構成
| sepal length (cm) | がく片の長さ |
|---|---|
| sepal width (cm) | がく片の幅 |
| petal length (cm) | 花弁の長さ |
| petal width (cm) | 花弁の幅 |
>>> # データセットを読み込み
>>> from sklearn.datasets import load_iris
>>> iris = load_iris()
>>> # Pandas のデータフレームとして表示
>>> import pandas as pd
>>> pd.DataFrame(iris.data, columns=iris.feature_names)
sepal length (cm) sepal width (cm) petal length (cm) petal width (cm)
0 5.1 3.5 1.4 0.2
1 4.9 3.0 1.4 0.2
2 4.7 3.2 1.3 0.2
3 4.6 3.1 1.5 0.2
4 5.0 3.6 1.4 0.2
5 5.4 3.9 1.7 0.4
6 4.6 3.4 1.4 0.3
7 5.0 3.4 1.5 0.2
8 4.4 2.9 1.4 0.2
9 4.9 3.1 1.5 0.1
10 5.4 3.7 1.5 0.2
... (中略)
149 5.9 3.0 5.1 1.8
[150 rows x 4 columns]
>>> # 各データの分類 (0: 'setosa', 1: 'versicolor', 2: 'virginica')
>>> iris.target
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])
>>> iris.target_names
array(['setosa', 'versicolor', 'virginica'],
dtype='
Boston house-prices (ボストン市の住宅価格)
米国ボストン市郊外における地域別の住宅価格のデータセット。
データセットの詳細
レコード数
506
カラム数
14
主な用途
回帰 (Regression)
データセットの詳細
UCI Machine Learning Repository: Housing Data Set
各カラムの構成
CRIM
人口 1 人当たりの犯罪発生数
ZN
25,000 平方フィート以上の住居区画の占める割合
INDUS
小売業以外の商業が占める面積の割合
CHAS
チャールズ川によるダミー変数 (1: 川の周辺, 0: それ以外)
NOX
NOx の濃度
RM
住居の平均部屋数
AGE
1940 年より前に建てられた物件の割合
DIS
5 つのボストン市の雇用施設からの距離 (重み付け済)
RAD
環状高速道路へのアクセスしやすさ
TAX
$10,000 ドルあたりの不動産税率の総計
PTRATIO
町毎の児童と教師の比率
B
町毎の黒人 (Bk) の比率を次の式で表したもの。 1000(Bk - 0.63)^2
LSTAT
給与の低い職業に従事する人口の割合 (%)
>>> # データセットを読み込み
>>> from sklearn.datasets import load_boston
>>> boston = load_boston()
>>> # 説明変数を Pandas のデータフレームとして表示
>>> import pandas as pd
>>> pd.DataFrame(boston.data, columns=boston.feature_names)
CRIM ZN INDUS CHAS NOX RM AGE DIS RAD TAX \
0 0.00632 18.0 2.31 0 0.538 6.575 65.2 4.0900 1 296
1 0.02731 0.0 7.07 0 0.469 6.421 78.9 4.9671 2 242
2 0.02729 0.0 7.07 0 0.469 7.185 61.1 4.9671 2 242
3 0.03237 0.0 2.18 0 0.458 6.998 45.8 6.0622 3 222
4 0.06905 0.0 2.18 0 0.458 7.147 54.2 6.0622 3 222
5 0.02985 0.0 2.18 0 0.458 6.430 58.7 6.0622 3 222
6 0.08829 12.5 7.87 0 0.524 6.012 66.6 5.5605 5 311
7 0.14455 12.5 7.87 0 0.524 6.172 96.1 5.9505 5 311
8 0.21124 12.5 7.87 0 0.524 5.631 100.0 6.0821 5 311
9 0.17004 12.5 7.87 0 0.524 6.004 85.9 6.5921 5 311
10 0.22489 12.5 7.87 0 0.524 6.377 94.3 6.3467 5 311
... (中略)
505 0.04741 0.0 11.93 0 0.573 6.030 80.8 2.5050 1 273
PTRATIO B LSTAT
0 15.3 396.90 4.98
1 17.8 396.90 9.14
2 17.8 392.83 4.03
3 18.7 394.63 2.94
4 18.7 396.90 5.33
5 18.7 394.12 5.21
6 15.2 395.60 12.43
7 15.2 396.90 19.15
8 15.2 386.63 29.93
9 15.2 386.71 17.10
10 15.2 392.52 20.45
... (中略)
505 21.0 396.90 7.88
[506 rows x 13 columns]
>>> # 目的変数 (1,000 ドル台でオーナーが所有する住宅の価格の中央値)
>>> boston.target
array([ 24. , 21.6, 34.7, 33.4, 36.2, 28.7, 22.9, 27.1, 16.5,
18.9, 15. , 18.9, 21.7, 20.4, 18.2, 19.9, 23.1, 17.5,
... (中略)
22. , 11.9])
Diabetes (糖尿病患者の診断データ)
糖尿病患者 442 人の検査数値と 1 年後の疾患進行状況（正規化済み）。
データセットの詳細
レコード数
442
カラム数
10
主な用途
回帰 (Regression)
データセットの詳細
Least Angle Regression diabetes.sdata.txt
>>> from sklearn.datasets import load_diabetes
>>> diabetes = load_diabetes()
>>> # Pandas のデータフレームとして表示
>>> import pandas as pd
>>> pd.DataFrame(diabetes.data, columns=("age", "sex", "bmi", "map", "tc", "ldl", "hdl", "tch", "ltg", "glu"))
age sex bmi map tc ldl hdl \
0 0.038076 0.050680 0.061696 0.021872 -0.044223 -0.034821 -0.043401
1 -0.001882 -0.044642 -0.051474 -0.026328 -0.008449 -0.019163 0.074412
2 0.085299 0.050680 0.044451 -0.005671 -0.045599 -0.034194 -0.032356
3 -0.089063 -0.044642 -0.011595 -0.036656 0.012191 0.024991 -0.036038
4 0.005383 -0.044642 -0.036385 0.021872 0.003935 0.015596 0.008142
5 -0.092695 -0.044642 -0.040696 -0.019442 -0.068991 -0.079288 0.041277
6 -0.045472 0.050680 -0.047163 -0.015999 -0.040096 -0.024800 0.000779
7 0.063504 0.050680 -0.001895 0.066630 0.090620 0.108914 0.022869
8 0.041708 0.050680 0.061696 -0.040099 -0.013953 0.006202 -0.028674
9 -0.070900 -0.044642 0.039062 -0.033214 -0.012577 -0.034508 -0.024993
10 -0.096328 -0.044642 -0.083808 0.008101 -0.103389 -0.090561 -0.013948
... (中略)
41 -0.045472 -0.044642 -0.073030 -0.081414 0.083740 0.027809 0.173816
tch ltg glu
0 -0.002592 0.019908 -0.017646
1 -0.039493 -0.068330 -0.092204
2 -0.002592 0.002864 -0.025930
3 0.034309 0.022692 -0.009362
4 -0.002592 -0.031991 -0.046641
5 -0.076395 -0.041180 -0.096346
6 -0.039493 -0.062913 -0.038357
7 0.017703 -0.035817 0.003064
8 -0.002592 -0.014956 0.011349
9 -0.002592 0.067736 -0.013504
10 -0.076395 -0.062913 -0.034215
... (中略)
441 -0.039493 -0.004220 0.003064
[442 rows x 10 columns]
>>>
>>> # 目的変数 (1 年後の疾患進行状況)
>>> diabetes.target
array([ 151., 75., 141., 206., 135., 97., 138., 63., 110.,
310., 101., 69., 179., 185., 118., 171., 166., 144.,
97., 168., 68., 49., 68., 245., 184., 202., 137.,
85., 131., 283., 129., 59., 341., 87., 65., 102.,
... (中略)
173., 72., 49., 64., 48., 178., 104., 132., 220., 57.])
Digits (数字の手書き文字)
0 ～ 9 の 10 文字の手書きの数字を 64 (8x8) 個の画素に分解したものです。
データセットの詳細
レコード数
1,797 (10 クラスの場合)
カラム数
64
主な用途
分類 (classification)
データセットの詳細
UCI Machine Learning Repository: Optical Recognition of Handwritten Digits Data Set
>>> from sklearn.datasets import load_digits
>>> digits = load_digits(n_class=10)
>>> # データセットの概要
>>> print(digits.DESCR)
Optical Recognition of Handwritten Digits Data Set
===================================================
Notes
-----
Data Set Characteristics:
:Number of Instances: 5620
... (以下略)
>>> # Pandas のデータフレームとして表示
>>> import pandas as pd
>>> pd.DataFrame(digits.data)
0 1 2 3 4 5 6 7 8 9 ... 54 55 56 57 58 59 60 \
0 0 0 5 13 9 1 0 0 0 0 ... 0 0 0 0 6 13 10
1 0 0 0 12 13 5 0 0 0 0 ... 0 0 0 0 0 11 16
2 0 0 0 4 15 12 0 0 0 0 ... 5 0 0 0 0 3 11
3 0 0 7 15 13 1 0 0 0 8 ... 9 0 0 0 7 13 13
4 0 0 0 1 11 0 0 0 0 0 ... 0 0 0 0 0 2 16
5 0 0 12 10 0 0 0 0 0 0 ... 4 0 0 0 9 16 16
6 0 0 0 12 13 0 0 0 0 0 ... 8 0 0 0 1 9 15
7 0 0 7 8 13 16 15 1 0 0 ... 0 0 0 0 13 5 0
8 0 0 9 14 8 1 0 0 0 0 ... 8 0 0 0 11 16 15
9 0 0 11 12 0 0 0 0 0 2 ... 4 0 0 0 9 12 13
10 0 0 1 9 15 11 0 0 0 0 ... 0 0 0 0 1 10 13
... (中略)
1796 0 0 10 14 8 1 0 0 0 2 ... 8 0 0 1 8 12 14
61 62 63
0 0 0 0
1 10 0 0
2 16 9 0
3 9 0 0
4 4 0 0
5 10 0 0
6 11 3 0
7 0 0 0
8 11 1 0
9 3 0 0
10 3 0 0
... (中略)
1796 12 1 0
[1797 rows x 64 columns]
>>> # 目的変数 (手書きの内容)
>>> digits.target_names
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> digits.target
array([0, 1, 2, ..., 8, 9, 8])
Linnerud (生理学的特徴と運動能力の関係)
ノースカロライナ州立大学の A. C. linnerud 博士が作成した、20 人の成人男性に対してフィットネスクラブで測定した 3 つの生理学的特徴と 3 つの運動能力の関係。
データセットの詳細
レコード数
20
カラム数
説明変数:3, 目的変数: 3
主な用途
多変数回帰 (multivariate regression)
データセットの詳細
R: Linnerud Dataset
説明変数の構成
Weight
体重
Waist
ウエスト (胴囲)
Pulse
脈拍
目的変数の構成
Chins
懸垂の回数
Situps
腹筋の回数
Jumps
跳躍
>>> from sklearn.datasets import load_linnerud
>>> linnerud = load_linnerud()
>>> # データセットの概要
>>> print(linnerud.DESCR)
Linnerrud dataset
Notes
-----
Data Set Characteristics:
:Number of Instances: 20
... (以下略)
>>> # Pandas のデータフレームとして表示
>>> import pandas as pd
>>> pd.DataFrame(linnerud.data, columns=linnerud.feature_names)
Chins Situps Jumps
0 5 162 60
1 2 110 60
2 12 101 101
3 12 105 37
4 13 155 58
5 4 101 42
6 8 101 38
7 6 125 40
8 15 200 40
9 17 251 250
10 17 120 38
... (中略)
19 2 110 43
>>> # 目的変数 (3 種類) を Pandas のデータフレームとして表示
>>> import pandas as pd
>>> pd.DataFrame(linnerud.target, columns=linnerud.target_names)
Weight Waist Pulse
0 191 36 50
1 189 37 52
2 193 38 58
3 162 35 62
4 189 35 46
5 182 36 56
6 211 38 56
7 167 34 60
8 176 31 74
9 154 33 56
10 169 34 50
... (中略)
19 138 33 68
参考: 5. Dataset loading utilities — scikit-learn 0.17.1 documentation