fetch_openml#

sklearn.datasets.fetch_openml(name: str | None = None, *, version: str | int = 'active', data_id: int | None = None, data_home: str | PathLike | None = None, target_column: str | List | None = 'default-target', cache: bool = True, return_X_y: bool = False, as_frame: str | bool = 'auto', n_retries: int = 3, delay: float = 1.0, parser: str = 'auto', read_csv_kwargs: Dict | None = None)[源码]#

按名称或数据集 ID 从 openml 获取数据集。

数据集由整数 ID 或名称与版本的组合唯一标识（即 ‘iris’ 数据集可能有多个版本）。请提供 name 或 data_id（不能同时提供）。如果提供了 name，也可以提供 version。

更多信息请参阅 用户指南。

0.20 版本新增。

注意

实验性

此 API 是实验性的（特别是返回值结构），在未来版本中可能会有细微的向后不兼容更改，且不另行通知或警告。

参数:
namestr, default=None

数据集的字符串标识符。注意，OpenML 可能包含多个同名的数据集。

versionint 或 ‘active’，默认值=’active’

数据集的版本。仅在提供了 name 时才能提供。如果为 ‘active’，则使用仍处于活动状态的最早版本。由于一个数据集可能有多个活动版本，且这些版本之间可能有本质区别，强烈建议设置确切的版本。

data_idint，默认值=None

数据集的 OpenML ID。这是检索数据集最具体的方式。如果未给出 data_id，则使用 name（以及可能的 version）来获取数据集。

data_homestr or path-like, default=None

为数据集指定另一个下载和缓存文件夹。默认情况下，所有 scikit-learn 数据都存储在 ‘~/scikit_learn_data’ 子文件夹中。

target_columnstr, list 或 None, 默认值=’default-target’

指定数据中用作目标的列名。如果为 ‘default-target’，则使用服务器上存储的标准目标列。如果为 None，则所有列都作为数据返回，目标为 None。如果为 list（字符串列表），则所有具有这些名称的列都作为多目标返回（注意：并非所有 scikit-learn 分类器都能处理所有类型的多输出组合）。

cachebool, 默认值=True

是否将下载的数据集缓存到 data_home 中。

return_X_ybool, default=False

如果为 True，则返回 (data, target) 而不是 Bunch 对象。有关 data 和 target 对象的更多信息，请参阅下文。

as_framebool 或 ‘auto’, 默认值=’auto’

如果为 True，则数据是一个包含适当数据类型（数值、字符串或分类型）列的 pandas DataFrame。目标是 pandas DataFrame 或 Series，取决于 target_columns 的数量。Bunch 将包含一个 frame 属性，其中包含目标和数据。如果 return_X_y 为 True，则 (data, target) 将是如上所述的 pandas DataFrame 或 Series。

如果 as_frame 为 ‘auto’，除非数据集以稀疏格式存储，否则数据和目标将按照 as_frame 设置为 True 时的方式转换为 DataFrame 或 Series。

如果 as_frame 为 False，数据和目标将是 NumPy 数组。当 parser="liac-arff" 时，data 将仅包含数值，且类别在 Bunch 实例的 categories 属性中提供。当 parser="pandas" 时，不进行序数编码。

在 0.24 版本中更改: as_frame 的默认值在 0.24 中由 False 更改为 'auto'。

n_retriesint, default=3

遇到 HTTP 错误或网络超时时的重试次数。状态码为 412 的错误将不会重试，因为它们代表 OpenML 通用错误。

delayfloat, default=1.0

Number of seconds between retries.

parser{“auto”, “pandas”, “liac-arff”}, 默认值=”auto”

用于加载 ARFF 文件的解析器。实现了两种解析器

  • "pandas": 这是最高效的解析器。但是，它需要安装 pandas 且只能打开密集数据集。

  • "liac-arff": 这是一个纯 Python 的 ARFF 解析器，其内存和 CPU 效率低得多。它处理稀疏 ARFF 数据集。

如果为 "auto"，则自动选择解析器，使得对稀疏 ARFF 数据集选择 "liac-arff"，否则选择 "pandas"。

1.2 版本新增。

在 1.4 版本中更改: parser 的默认值从 "liac-arff" 更改为 "auto"。

read_csv_kwargsdict, 默认值=None

使用 pandas 解析器从 ARFF 文件加载数据时传递给 pandas.read_csv 的关键字参数。它允许覆盖某些默认参数。

在版本 1.3 中新增。

返回:
dataBunch

Dictionary-like object, with the following attributes.

datanp.array, 浮点型的 scipy.sparse.csr_matrix, 或 pandas DataFrame

特征矩阵。分类特征被编码为序数。

targetnp.array, pandas Series 或 DataFrame

回归目标或分类标签（如果适用）。如果为数值型，则 dtype 为 float；如果为分类型，则为 object。如果 as_frame 为 True，则 target 是一个 pandas 对象。

DESCRstr

The full description of the dataset.

feature_nameslist

数据集列的名称。

target_names: list

The names of the target columns.

版本 0.22 新增。

categoriesdict 或 None

将每个分类特征名称映射到一个值列表，使得编码为 i 的值是列表中的第 i 个。如果 as_frame 为 True，则此项为 None。

detailsdict

来自 OpenML 的更多元数据。

framepandas DataFrame

仅当 as_frame=True 时存在。包含 data 和 target 的 DataFrame。

(data, target)tuple if return_X_y is True

注意

实验性

此接口是实验性的，随后的版本可能会更改属性而不另行通知（尽管对 data 和 target 应该只有微小的更改）。

‘data’ 中的缺失值由 NaN 表示。‘target’ 中的缺失值由 NaN（数值型目标）或 None（分类型目标）表示。

注意事项

"pandas" 和 "liac-arff" 解析器可能导致输出中不同的数据类型。显著区别如下

  • "liac-arff" 解析器始终将分类特征编码为 str 对象。相反，"pandas" 解析器在读取时推断类型，数值类别将尽可能转换为整数。

  • "liac-arff" 解析器使用 float64 对元数据中标记为 ‘REAL’ 和 ‘NUMERICAL’ 的数值特征进行编码。而 "pandas" 解析器会推断这些数值特征是否对应整数，并使用 pandas 的 Integer 扩展 dtype。

  • 特别是，具有整数类别的分类数据集在 "pandas" 解析器中通常加载为 (0, 1, ...)，而 "liac-arff" 将强制使用字符串编码的类别标签，如 "0"、"1" 等。

  • "pandas" 解析器不会从字符串列中去除单引号（即 '）。例如，字符串 'my string' 将按原样保留，而 "liac-arff" 解析器将去除单引号。对于分类列，单引号将从值中去除。

此外，当使用 as_frame=False 时，"liac-arff" 解析器返回序数编码的数据，类别在 Bunch 实例的 categories 属性中提供。相反，"pandas" 返回一个不对类别进行编码的 NumPy 数组。

示例

>>> from sklearn.datasets import fetch_openml
>>> adult = fetch_openml("adult", version=2)
>>> adult.frame.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 48842 entries, 0 to 48841
Data columns (total 15 columns):
 #   Column          Non-Null Count  Dtype
---  ------          --------------  -----
 0   age             48842 non-null  int64
 1   workclass       46043 non-null  category
 2   fnlwgt          48842 non-null  int64
 3   education       48842 non-null  category
 4   education-num   48842 non-null  int64
 5   marital-status  48842 non-null  category
 6   occupation      46033 non-null  category
 7   relationship    48842 non-null  category
 8   race            48842 non-null  category
 9   sex             48842 non-null  category
 10  capital-gain    48842 non-null  int64
 11  capital-loss    48842 non-null  int64
 12  hours-per-week  48842 non-null  int64
 13  native-country  47985 non-null  category
 14  class           48842 non-null  category
dtypes: category(9), int64(6)
memory usage: 2.7 MB
在本页

scikit-learn 受到 Probabl 和其他机构的资金支持。