scikit-learn から取得できるpythonサンプルデータの種類
データ分析を始めたり、グラフや関数の動作を試したいとき、サンプルデータが必要になります。「いますぐ試したい」のに、サンプルデータの生成は時間がもったいないです。
scikit-learn (sklearn) には「いますぐ使えるデータ」が load できるようになっています。
sklearn のサンプルデータ 7種類を、すぐに import して使える形で準備しました。
本家はこちら（英語）- サンプルデータ全7種類
以下のバージョンでは、7種類のデータの取得が可能です
scikit-learn.org
scikit-learn version 0.23.1
サンプル1：load_boston - ボストンの住宅価格データ
ボストンの住宅価格と、関連する環境項目のデータセット。
説明変数
データ件数：506
カラム数：13
| CRIM | 都市別の1人当たり犯罪発生率 |
| ZN | 25,000平方フィート以上の住宅地の割合（広さ） |
| INDUS | 非小売業が占める面積の割合 |
| CHAS | Charles川のダミー変数(1:河川の周辺; 0:その他) |
| NOX | 一酸化窒素濃度(1000万分の1) |
| RM | 一戸当たりの平均部屋数 |
| AGE | 1940年以前に建てられた持ち家の割合 |
| DIS | ボストンの5つの雇用センターまでの距離（加重あり） |
| RAD | 高速道路へのアクセスのしやすさ指数 |
| TAX | 1万ドル当たりの総資産税率 |
| PTRATIO | 町別の児童教師比率 |
| B | Bkの割合 |
| LSTAT | 低所得者の割合 |
import pandas as pd # データ読み込み from sklearn.datasets import load_boston boston = load_boston() # dataframe化 df_boston = pd.DataFrame(boston.data, columns=boston.feature_names) df_boston.head()
目的変数
住宅価格の中央値
df_target = pd.DataFrame(boston.target, columns=['target'])
df_target.head()
サンプル2：load_iris - アヤメ（花）の品種データ
アヤメの各部位の特徴によって、品種を特定するデータセット。
機械学習では最も有名なサンプルデータかもしれません。
説明変数
データ件数：150
カラム数：4
| sepal length (cm) | がく片の長さ(cm) |
| sepal width (cm) | がく片の幅(cm) |
| petal length (cm) | 花弁の長さ(cm) |
| petal width (cm) | 花弁の幅(cm) |
import pandas as pd # データ読み込み from sklearn.datasets import load_iris iris = load_iris() # dataframe化 df_iris = pd.DataFrame(iris.data, columns=iris.feature_names) df_iris.head()
目的変数
アヤメ品種の番号
df_target = pd.DataFrame(iris.target, columns=['target'])
df_target.head()
サンプル3：load_diabetes - 糖尿病患者の属性データ
基礎データ（性年代など）、血液データなどで、疾患予測を行うデータセット。
説明変数
データ件数：442
カラム数：10
| age | 年齢 |
| sex | 性別 |
| bmi | BMI 肥満指数 |
| bp | 血圧の平均 |
| s1 | tc : T細胞(白血球の一種) |
| s2 | ldl : 低密度リポタンパク質 |
| s3 | hdl : 高密度リポタンパク質 |
| s4 | tch : 甲状腺刺激ホルモン |
| s5 | ltg : ラモトリギン |
| s6 | glu : 血糖値 |
import pandas as pd # データ読み込み from sklearn.datasets import load_diabetes diabetes = load_diabetes() # dataframe化 df_diabetes = pd.DataFrame(diabetes.data, columns=diabetes.feature_names) df_diabetes.head()
目的変数
病状の進行状況
df_target = pd.DataFrame(diabetes.target, columns=['target'])
df_target.head()
サンプル4：load_digits - 手書き文字（数字）認識
手書きの文字（0～9の1文字）が数値化されているデータセット。
1つの画像のデータが64（8×8）マスのデータとして表現されている。
説明変数
データ件数：1797 (デフォルト値 n_class=10 のとき)
カラム数：64
import pandas as pd # データ読み込み from sklearn.datasets import load_digits digits = load_digits(n_class=10) # default = 10 # dataframe化 df_digits = pd.DataFrame(digits.data) df_digits.head()
import matplotlib.pyplot as plt plt.imshow(digits.images[0], cmap='Greys', interpolation='NONE')
目的変数
データが表現する数字
df_target = pd.DataFrame(digits.target, columns=['target'])
df_target.head()
サンプル5：load_linnerud - 身体的特徴と身体的能力の関連性
身体的な特徴と能力（体重とジャンプ力の関係性など）をまとめたデータセット。
説明変数
データ件数：20
カラム数：3
※ 目的変数のカラム数：3
| Chins | 懸垂 |
| Situps | 腹筋 |
| Jumps | 跳躍 |
※単位不明
import pandas as pd # データ読み込み from sklearn.datasets import load_linnerud linnerud = load_linnerud() # dataframe化 df_linnerud = pd.DataFrame(linnerud.data, columns=linnerud.feature_names) df_linnerud.head()
目的変数
| Weight | 体重 |
| Waist | ウエスト |
| Pulse | 脈拍 |
df_linnerud_target = pd.DataFrame(linnerud.target, columns=linnerud.target_names) df_linnerud_target.head()
サンプル6：load_wine - ワインの品質を示すデータセット。
ワインの成分などの特徴と品質を関連させたデータ。
説明変数
データ件数：178
カラム数：13
| alcohol | アルコール度数 |
| malic_acid | リンゴ酸 |
| ash | 灰（あく） |
| alcalinity_of_ash | 灰のアルカリ度 |
| magnesium | マグネシウム量 |
| total_phenols | 総フェノール |
| flavanoids | フラボノイド |
| nonflavanoid_phenolsv | 非フラボノイド・フェノール |
| proanthocyanins | プロアントシアニン |
| color_intensity | 色の明度 |
| hue | 色相 |
| od280/od315_of_diluted_wines | 希釈ワイン |
| proline | プロリン |
import pandas as pd # データ読み込み from sklearn.datasets import load_wine wine = load_wine() # dataframe化 df_wine = pd.DataFrame(wine.data, columns=wine.feature_names) df_wine.head()
目的変数
ワインの品質
df_wine_target = pd.DataFrame(wine.target, columns=['target']) df_wine_target.head()
サンプル7：load_wine - ワインの品質を示すデータセット。
ワインの成分などの特徴と品質を関連させたデータ。
説明変数
データ件数：569
カラム数：30
| mean radius | 平均半径 |
| mean texture | 平均組織 |
| mean perimeter | 平均周長 |
| mean area | 平均面積 |
| mean smoothness | 平均平滑度 |
| mean compactness | 平均コンパクト性 |
| mean concavity | 平均凹面 |
| mean concave points | 平均凹点 |
| mean symmetry | 平均対称性 |
| mean fractal dimension | 平均フラクタル次元 |
| radius error | 半径誤差 |
| texture error | テクスチャエラー |
| perimeter error | 周辺誤差 |
| area error | 面積誤差 |
| smoothness error | 平滑度誤差 |
| compactness error | コンパクト性誤差 |
| concavity error | 凹面誤差 |
| concave points error | 凹点誤差 |
| symmetry error | 対称誤差 |
| fractal dimension error | フラクタル次元誤差 |
| worst radius | 半径の最悪数値 |
| worst texture | 組織の最悪数値 |
| worst perimeter | 外周の最悪数値 |
| worst area | 表面積の最悪数値 |
| worst smoothness | 滑らかさの最悪数値 |
| worst compactness | コンパクトさの最悪数値 |
| worst concavity | 最悪な陥没度合 |
| worst concave points | 最悪な凹点 |
| worst symmetry | 対称性の最悪数値 |
| worst fractal dimension | フラクタル次元の最悪数値 |
import pandas as pd # データ読み込み from sklearn.datasets import load_breast_cancer cancer = load_breast_cancer() # dataframe化 df_cancer = pd.DataFrame(cancer.data, columns=cancer.feature_names) df_cancer.head()
目的変数
df_cancer_target = pd.DataFrame(cancer.target, columns=['target']) df_cancer_target.head()
以上が、scikit-learn で簡単に import 可能なデータサンプル7つ。
