加载数字#

sklearn.datasets.load_digits(*, n_class=10, return_X_y=False, as_frame=False)[source]#

加载并返回数字数据集（分类）。

每个数据点都是一个 8x8 的数字图像。

类别	10
每个类别的样本数	~180
样本总数	1797
维数	64
特征	整数 0-16

这是 UCI ML 手写数字数据集测试集的副本 https://archive.ics.uci.edu/ml/datasets/Optical+Recognition+of+Handwritten+Digits

在用户指南中了解更多信息。

参数：

n_classint, default=10: 要返回的类别数。介于 0 和 10 之间。
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，请参见下文。

0.18 版本中添加。
as_framebool，默认为 False: 如果为 True，则数据是一个 pandas DataFrame，包含具有适当数据类型（数值型）的列。目标是 pandas DataFrame 或 Series，具体取决于目标列的数量。如果 return_X_y 为 True，则 (data, target) 将是如下所述的 pandas DataFrame 或 Series。

0.23 版本中添加。

返回:

dataBunch

类似字典的对象，具有以下属性。

data{ndarray, dataframe} 形状为 (1797, 64): 扁平化的数据矩阵。如果 as_frame=True，则 data 将是一个 pandas DataFrame。
target: {ndarray, Series} 形状为 (1797,): 分类目标。如果 as_frame=True，则 target 将是一个 pandas Series。
feature_names: list: 数据集列的名称。
target_names: list: 目标类的名称。

0.20 版本中添加。
frame: DataFrame 形状为 (1797, 65): 仅当 as_frame=True 时出现。包含 data 和 target 的 DataFrame。

0.23 版本中添加。
images: {ndarray} 形状为 (1797, 8, 8): 原始图像数据。
DESCR: str: 数据集的完整描述。

(data, target)如果 return_X_y 为 True，则为元组

默认情况下，包含两个 ndarray 的元组。第一个包含形状为 (1797, 64) 的二维 ndarray，其中每一行表示一个样本，每一列表示特征。第二个形状为 (1797) 的 ndarray 包含目标样本。如果 as_frame=True，则两个数组都是 pandas 对象，即 X 为数据框，y 为序列。

0.18 版本中添加。

示例

加载数据并可视化图像

>>> from sklearn.datasets import load_digits
>>> digits = load_digits()
>>> print(digits.data.shape)
(1797, 64)
>>> import matplotlib.pyplot as plt
>>> plt.gray()
>>> plt.matshow(digits.images[0])
<...>
>>> plt.show()