初学者学习机器学习的时候，经常会找不到练习的数据，实际上scikit-learn内置了很多可以用于机器学习的数据，可以用两行代码就可以使用这些数据。
一、自带数据集
自带的小的数据集为：sklearn.datasets.load_<name>
| load_boston | Boston房屋价格 | 回归 | 506*13 |
| fetch_california_housing | 加州住房 | 回归 | 20640*9 |
| load_diabetes | 糖尿病 | 回归 | 442*10 |
| load_digits | 手写字 | 分类 | 1797*64 |
| load_breast_cancer | 乳腺癌 | 分类、聚类 | (357+212)*30 |
| load_iris | 鸢尾花 | 分类、聚类 | (50*3)*4 |
| load_wine | 葡萄酒 | 分类 | (59+71+48)*13 |
| load_linnerud | 体能训练 | 多分类 | 20 |
怎么用：
数据集的信息关键字：
-
DESCR：
数据集的描述信息
-
data：
内部数据（即：X）
-
feature_names：
数据字段名
-
target：
数据标签（即：y）
-
target_names：
标签字段名(回归数据集无此项）
使用方法（以load_iris为例）
数据介绍：
- 一般用于做分类测试
- 有150个数据集，共分为3类，每类50个样本。每个样本有4个特征。
- 每条记录都有 4 项特征：包含4个特征（Sepal.Length（花萼长度）、Sepal.Width（花萼宽度）、Petal.Length（花瓣长度）、Petal.Width（花瓣宽度）），特征值都为正浮点数，单位为厘米。
- 可以通过这4个特征预测鸢尾花卉属于（iris-setosa（山鸢尾）, iris-versicolour（杂色鸢尾）, iris-virginica（维吉尼亚鸢尾））中的哪一品种。
第一步：
导入数据
from sklearn.datasets import load_iris
iris = load_iris() 第二步：
定义X和y
X, y = iris.data, iris.target
此外，可以看下数据的维度：
X.shape,y.shape
输出为：
((150, 4), (150,))查看特征名：
iris.feature_names
输出为：['sepal length (cm)',
'sepal width (cm)',
'petal length (cm)',
'petal width (cm)']查看标签名： iris.target_names 输出为：
array(['setosa', 'versicolor', 'virginica'], dtype='<U10') 划分训练集和测试集:
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25) 这样就把训练集和测试集按照3比1划分了，接下来就可以用机器学习算法进行训练和测试了。
小技巧：将数据转换为Dataframe格式（两种方法都可以）：
import pandas as pd
df_X = pd.DataFrame(iris.data, columns=iris.feature_names)
#这个是X
df_y = pd.DataFrame(iris.target, columns=["target"])
#这个是y
df=pd.concat([df_X,df2],axis=1)#横向合并
df.head() 或者：
import numpy as np
import pandas as pd
col_names = iris['feature_names'] + ['target']
df = pd.DataFrame(data= np.c_[iris['data'], iris['target']], columns=col_names)
df.head() 输出结果一致：
二、可在线下载的数据集（需要下载）
下载的数据集为：sklearn.datasets.fetch_<name>
这类数据需要在线下载，有点慢
| fetch_20newsgroups | 用于文本分类、文本挖据和信息检索研究的国际标准数据集之一。数据集收集了大约20,000左右的新闻组文档，均匀分为20个不同主题的新闻组集合。返回一个可以被文本特征提取器 |
| fetch_20newsgroups_vectorized | 这是上面这个文本数据的向量化后的数据，返回一个已提取特征的文本序列，即不需要使用特征提取器 |
| fetch_california_housing | 加利福尼亚的房价数据，总计20640个样本，每个样本8个属性表示，以及房价作为target，所有属性值均为number，详情可调用fetch_california_housing()['DESCR']了解每个属性的具体含义； |
| fetch_covtype | 森林植被类型，总计581012个样本，每个样本由54个维度表示（12个属性，其中2个分别是onehot4维和onehot40维），以及target表示植被类型1-7，所有属性值均为number，详情可调用fetch_covtype()['DESCR']了解每个属性的具体含义 |
| fetch_kddcup99 | KDD竞赛在1999年举行时采用的数据集，KDD99数据集仍然是网络入侵检测领域的事实Benckmark，为基于计算智能的网络入侵检测研究奠定基础，包含41项特征 |
| fetch_lfw_pairs | 该任务称为人脸验证：给定一对两张图片，二分类器必须预测这两个图片是否来自同一个人。 |
| fetch_lfw_people | 打好标签的人脸数据集 |
| fetch_mldata | 从 mldata.org 中下载数据集 |
| fetch_olivetti_faces | Olivetti 脸部图片数据集 |
| fetch_rcv1 | 路透社新闻语聊数据集 |
| fetch_species_distributions | 物种分布数据集 |
使用方法与自带数据集一致，只是多了下载过程（示例：fetch_20newsgroups）
from sklearn.datasets import fetch_20newsgroups
news = fetch_20newsgroups(subset='all') #本次使用的数据需要到互联网上下载
from sklearn.model_selection import train_test_split
#对数据训练集和测试件进行划分
X_train, X_test, y_train, y_test = train_test_split(
news.data, news.target, test_size=0.25, random_state=33) 三、生成数据集
可以用来分类任务，可以用来回归任务，可以用来聚类任务，用于流形学习的，用于因子分解任务的，用于分类任务和聚类任务的：这些函数产生样本特征向量矩阵以及对应的类别标签集合
- make_blobs：多类单标签数据集，为每个类分配一个或多个正态分布的点集
- make_classification：多类单标签数据集，为每个类分配一个或多个正态分布的点集，提供了为数据添加噪声的方式，包括维度相关性，无效特征以及冗余特征等
- make_gaussian-quantiles：将一个单高斯分布的点集划分为两个数量均等的点集，作为两类
- make_hastie-10-2：产生一个相似的二元分类数据集，有10个维度
- make_circle和make_moons：产生二维二元分类数据集来测试某些算法的性能，可以为数据集添加噪声，可以为二元分类器产生一些球形判决界面的数据
举例：
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
X, y = make_moons(n_samples=100, noise=0.15, random_state=42)
plt.title('make_moons function example')
plt.scatter(X[:,0],X[:,1],marker='o',c=y)
plt.show() 
四、其它数据集
kaggle：
https://www.kaggle.com
天池：
https://tianchi.aliyun.com/dataset
搜狗实验室：
http://www.sogou.com/labs/resource/list_pingce.php
DC竞赛：
https://www.pkbigdata.com/common/cmptIndex.html
DF竞赛：
https://www.datafountain.cn/datasets
总结
本文为机器学习初学者提供了使用scikit-learn内置数据的方法，用两行代码就可以使用这些数据，可以进行大部分的机器学习实验了。
参考
https://scikit-learn.org/stable/datasets/index.html
关于本站