[資料分析&機器學習] 第2.1講：如何獲取資料？ Sklearn內建資料集

Yeh James

Published in

JamesLearningNote

6 min readSep 22, 2017

接下來一系列的文章我們會開始說明要如何在Jupyter notebook裡面做簡單的資料分析。

分為：

第2.1講：如何獲取資料？ Sklearn內建資料集

第2.2講：如何獲取資料？ Google Map API

第2.3講：Pandas 基本function介紹(Series, DataFrame, Selection, Grouping)

第2.4講：資料前處理(Missing data, One-hot encoding, Feature Scaling)

第2.5講：資料視覺化(Matplotlib, Seaborn, Plotly)

如果你是一個完全的新手，你一開始可能不知道要去哪裡拿資料來做分析，有許多的第三方網站會提供許多資料，比如說像是先前提到的Kaggle Dataset。

裡面提供許多已經整理好的資料集，讓資料科學家可以不需要花太多時間去做資料的前處理才開始分析，包含像是電影資訊的資料集、歐洲足球比賽的資料、信用卡盜刷偵測、人力資源分析資料等等、Iris資料集(未來的課程都會以Iris dataset作為示範)…這些資料都是非常具有高度分析價值的，而且也可以在上面跟其他的資料科學家做交流以及分享。

或是使用scikit-learn內建的資料，scikit-learn 內建的資料集用起來非常簡單，只要一行指令就可以載入資料，scikit-learn 提供的dataset可點此參考sklearn-datasets。

以Iris dataset為例，鳶尾花資料集是非常著名的生物資訊資料集之一，取自美國加州大學歐文分校的機器學習資料庫http://archive.ics.uci.edu/ml/datasets/Iris，資料的筆數為150筆，共有五個欄位：
1. 花萼長度(Sepal Length)：計算單位是公分。
2. 花萼寬度(Sepal Width)：計算單位是公分。
3. 花瓣長度(Petal Length) ：計算單位是公分。
4. 花瓣寬度(Petal Width)：計算單位是公分。
5. 類別(Class)：可分為Setosa，Versicolor和Virginica三個品種。

Iris 資料集算是最入門的機器學習演算法資料，透過花瓣以及花萼的長與寬來預測是屬於哪一種類的Iris花(Setosa, Virginica, Versicolour)，因為特徵數目不多，只有四個，並且類別項目只有三個，因此對於初學者來說非常好理解。若要載入Iris 資料集只要import sklearn的datasets之後，使用load_iris()就可以獲得資料，回傳的資料格式為dictionary，因此需要做一些資料處理才能變為表格的形式，在python只要有關表格的處理主要都使用pandas為主。