fetch_openml#

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

Загрузите набор данных из openml по имени или идентификатору набора данных.

Наборы данных однозначно идентифицируются либо целочисленным ID, либо комбинацией имени и версии (т.е. может быть несколько версий набора данных 'iris'). Пожалуйста, укажите либо имя, либо data_id (не оба). Если указано имя, также может быть предоставлена версия.

Подробнее в Руководство пользователя.

Добавлено в версии 0.20.

Примечание

ЭКСПЕРИМЕНТАЛЬНЫЙ

API является экспериментальным (особенно структура возвращаемого значения) и может подвергаться небольшим обратно несовместимым изменениям без предупреждения в будущих выпусках.

Параметры:
имяstr, default=None

Строковый идентификатор набора данных. Обратите внимание, что OpenML может иметь несколько наборов данных с одинаковым именем.

версияint или 'active', по умолчанию='active'

Версия набора данных. Может быть предоставлена только если также name задано. Если установлено значение 'active', используется самая старая версия, которая все еще активна. Поскольку может существовать более одной активной версии набора данных, и эти версии могут принципиально отличаться друг от друга, настоятельно рекомендуется задавать точную версию.

data_idint, default=None

OpenML ID набора данных. Наиболее конкретный способ получения набора данных. Если data_id не задан, имя (и потенциальная версия) используются для получения набора данных.

data_homestr или path-like, по умолчанию=None

Укажите другую папку для загрузки и кэширования наборов данных. По умолчанию все данные scikit-learn хранятся в подпапках '~/scikit_learn_data'.

target_columnstr, list или None, default='default-target'

Укажите имя столбца в данных, который следует использовать в качестве целевой переменной. Если 'default-target', используется стандартный целевой столбец, хранящийся на сервере. Если None, все столбцы возвращаются как данные, а целевая переменная — None. Если список (строк), все столбцы с этими именами возвращаются как multi-target (Примечание: не все классификаторы scikit-learn могут обрабатывать все типы multi-output комбинаций).

cachebool, по умолчанию=True

Кэшировать ли загруженные наборы данных в data_home.

return_X_ybool, по умолчанию=False

Если True, возвращает (data, target) вместо объекта Bunch. См. ниже для получения дополнительной информации о data и target объекты.

as_framebool или 'auto', по умолчанию='auto'

Если True, данные представляют собой pandas DataFrame, включающий столбцы с соответствующими типами данных (числовые, строковые или категориальные). Цель - pandas DataFrame или Series в зависимости от количества target_columns. Bunch будет содержать frame атрибут с целью и данными. Если return_X_y равно True, тогда (data, target) будут pandas DataFrame или Series, как описано выше.

Если as_frame равно ‘auto’, данные и целевая переменная будут преобразованы в DataFrame или Series, как если бы as_frame установлено в True, если набор данных не хранится в разреженном формате.

Если as_frame равно False, данные и целевые значения будут массивами NumPy и data будет содержать только числовые значения, когда parser="liac-arff" где категории предоставлены в атрибуте categories из Bunch экземпляром. Когда parser="pandas", порядковое кодирование не выполняется.

Изменено в версии 0.24: Значение по умолчанию для as_frame изменено с False to 'auto' в 0.24.

n_retriesint, по умолчанию=3

Количество повторных попыток при возникновении HTTP-ошибок или таймаутов сети. Ошибки с кодом состояния 412 не будут повторяться, так как они представляют общие ошибки OpenML.

задержкаfloat, по умолчанию=1.0

Количество секунд между повторными попытками.

parser{“auto”, “pandas”, “liac-arff”}, по умолчанию=”auto”

Парсер, используемый для загрузки файла ARFF. Реализованы два парсера:

  • "pandas": это самый эффективный парсер. Однако он требует установки pandas и может открывать только плотные наборы данных.

  • "liac-arff": это чистый парсер ARFF на Python, который гораздо менее эффективен по памяти и процессору. Он работает с разреженными наборами данных ARFF.

Если "auto", парсер выбирается автоматически таким образом, что "liac-arff" выбирается для разреженных ARFF-наборов данных, в противном случае "pandas" выбран.

Добавлено в версии 1.2.

Изменено в версии 1.4: Значение по умолчанию для parser изменения с "liac-arff" to "auto".

read_csv_kwargsdict, по умолчанию=None

Аргументы ключевых слов, передаваемые в pandas.read_csv при загрузке данных из файла ARFF и использовании парсера pandas. Это может позволить переопределить некоторые параметры по умолчанию.

Добавлено в версии 1.3.

Возвращает:
данныеBunch

Объект, подобный словарю, со следующими атрибутами.

данныеnp.array, scipy.sparse.csr_matrix из чисел с плавающей точкой или pandas DataFrame

Матрица признаков. Категориальные признаки кодируются как порядковые.

цельnp.array, pandas Series или DataFrame

Целевая переменная регрессии или метки классификации, если применимо. Тип данных — float, если числовой, и object, если категориальный. Если as_frame равно True, target является объектом pandas.

DESCRstr

Полное описание набора данных.

feature_nameslist

Имена столбцов набора данных.

target_names: список

Имена целевых столбцов.

Добавлено в версии 0.22.

категорииdict или None

Сопоставляет каждое имя категориального признака со списком значений, так что значение, закодированное как i, является i-м в списке. Если as_frame равно True, это None.

подробностиdict

Больше метаданных из OpenML.

фреймpandas DataFrame

Только присутствует, когда as_frame=TrueМы определяем функцию для загрузки данных из data и target.

(data, target)кортеж если return_X_y равно True

Примечание

ЭКСПЕРИМЕНТАЛЬНЫЙ

Этот интерфейс экспериментальный и последующие релизы могут изменять атрибуты без предупреждения (хотя изменения должны быть только незначительными в data и target).

Пропущенные значения в 'data' представлены как NaN. Пропущенные значения в 'target' представлены как NaN (числовая цель) или None (категориальная цель).

Примечания

The "pandas" и "liac-arff" парсеры могут приводить к разным типам данных на выходе. Основные различия следующие:

  • The "liac-arff" парсер всегда кодирует категориальные признаки как str объектов. В отличие от этого, "pandas" парсер вместо этого выводит тип во время чтения, и числовые категории будут приведены к целым числам, когда это возможно.

  • The "liac-arff" парсер использует float64 для кодирования числовых признаков, помеченных как ‘REAL’ и ‘NUMERICAL’ в метаданных. "pandas" парсер вместо этого определяет, соответствуют ли эти числовые признаки целым числам, и использует расширенный тип данных Integer от pandas.

  • В частности, классификационные наборы данных с целочисленными категориями обычно загружаются как таковые (0, 1, ...) с "pandas" парсер, пока "liac-arff" принудительно использует строковые метки классов, такие как "0", "1" и так далее.

  • The "pandas" парсер не будет удалять одинарные кавычки - т.е. ' - из строковых столбцов. Например, строка 'my string' будет сохранен как есть, в то время как "liac-arff" парсер удалит одинарные кавычки. Для категориальных столбцов одинарные кавычки удаляются из значений.

Кроме того, когда as_frame=False используется, "liac-arff" парсер возвращает порядково закодированные данные, где категории предоставляются в атрибуте categories из Bunch экземпляр. Вместо этого, "pandas" возвращает массив NumPy, где категории не закодированы.

Примеры

>>> from sklearn.datasets import fetch_openml
>>> adult = fetch_openml("adult", version=2)
>>> adult.frame.info()

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
На этой странице