scikit-learn, seaborn のデータセット（Python，scikit-learn, seaborn を使用）

【概要】

この資料では，Python のライブラリである seaborn と scikit-learn に同梱されているサンプルデータセットの一覧と，それらを pandas の DataFrame として読み込み，CSV ファイルとして保存するプログラム例を示す。機械学習や統計の練習に使えるデータをすぐに利用できるようにすることが目的である。

【目次】

• 第１章　前準備
• 第２章　seaborn のデータセット
• 第３章　scikit-learn のデータセット

【関連する外部ページ】

• seaborn 公式ドキュメント: https://seaborn.pydata.org/generated/seaborn.load_dataset.html
• scikit-learn 公式データセット: https://scikit-learn.org/stable/datasets

【サイト内の関連情報】

• Windows
• pip

第１章　前準備

scikit-learn, seaborn のインストール

• 管理者権限でコマンドプロンプトを起動する （手順：Windowsキーまたはスタートメニュー → cmd と入力 → 右クリック → 「管理者として実行」）。 そして，次のコマンドを実行する．
  Windows で pip を実行するときは，管理者権限のコマンドプロンプトを使用し，システム領域へのインストールを行う．--no-user はシステム領域へのインストールを指定するオプションである．

  python -m pip install -U --no-user scikit-learn scikit-learn-intelex seaborn
  

• Ubuntu の場合は，パッケージリストを更新してから以下を実行する。

  sudo apt update
  sudo apt -y install python3-sklearn python3-seaborn
  

第２章　seaborn のデータセット

seaborn の load_dataset 関数で読み込めるサンプルデータセットには，次のようなものがある（カッコ内は主な列名）。

• iris(sepal_length, sepal_width, petal_length, petal_width, species)
• tips(total_bill, tip, sex, smoker, day, time, size)
• planets(method, number, orbital_period, mass, distance, year)
• fmri(subject, timepoint, event, region, signal)
• titanic(survived, pclass, sex, age, sibsp, parch, fare, embarked, class, who, adult_male, deck, embark_town, alive, alone)
• anscombe(dataset, x, y)
• exercise(id, diet, pulse, time, kind)

次のプログラムは，iris, tips, planets, fmri, titanic, anscombe, exercise を CSV ファイルとして保存し，それぞれの先頭部分を確認表示する。

import seaborn

iris = seaborn.load_dataset('iris')
tips = seaborn.load_dataset('tips')
planets = seaborn.load_dataset('planets')
fmri = seaborn.load_dataset('fmri')
titanic = seaborn.load_dataset('titanic')
anscombe = seaborn.load_dataset('anscombe')
exercise = seaborn.load_dataset('exercise')

iris.to_csv('iris.csv', encoding='utf-8', index_label='id')
tips.to_csv('tips.csv', encoding='utf-8', index_label='id')
planets.to_csv('planets.csv', encoding='utf-8', index_label='id')
fmri.to_csv('fmri.csv', encoding='utf-8', index_label='id')
titanic.to_csv('titanic.csv', encoding='utf-8', index_label='id')
anscombe.to_csv('anscombe.csv', encoding='utf-8', index_label='id')
exercise.to_csv('exercise.csv', encoding='utf-8', index_label='id')

print(iris.head())
print(tips.head())
print(planets.head())
print(fmri.head())
print(titanic.head())
print(anscombe.head())
print(exercise.head())

第３章　scikit-learn のデータセット

公式ページ: https://scikit-learn.org/stable/datasets

• diabetes(data, target): diabetes データセット（回帰）。
  • 'data', 学習に使う特徴量。
  • 'target', 各サンプルのラベル（目的変数）。
• digits(data, target): digits データセット（分類）。
  • 'data', 学習に使う特徴量。
  • 'target', 各サンプルの分類ラベル。
• iris(sepal_length, sepal_width, petal_length, petal_width, species_number, species): iris データセット（分類）。
• linnerud(chins, situps, jumps, weight, waist, pulse): linnerud データセット（多出力回帰）。chins, situps, jumps が運動データ（data），weight, waist, pulse が生理データ（target）である。

次のプログラムは，diabetes, digits, iris, linnerud を CSV ファイルとして保存する。

import numpy as np
import pandas as pd
import sklearn.datasets

a = sklearn.datasets.load_diabetes()
diabetes = pd.DataFrame(pd.Series(map(list, a.data)), columns=["data"])
diabetes["target"] = pd.Series(a.target)

a = sklearn.datasets.load_digits()
digits = pd.DataFrame(pd.Series(map(list, a.data)), columns=["data"])
digits["target"] = pd.Series(a.target)

a = sklearn.datasets.load_iris()
iris = pd.DataFrame(a.data, columns=['sepal_length', 'sepal_width', 'petal_length', 'petal_width'])
iris["species_number"] = pd.Series(a.target)
iris["species"] = pd.Series(a.target_names[a.target])

a = sklearn.datasets.load_linnerud()
linnerud = pd.DataFrame(np.hstack((a.data, a.target)), columns=['chins', 'situps', 'jumps', 'weight', 'waist', 'pulse'])

diabetes.to_csv('diabetes.csv', encoding='utf-8', index_label='id')
digits.to_csv('digits.csv', encoding='utf-8', index_label='id')
iris.to_csv('iris.csv', encoding='utf-8', index_label='id')
linnerud.to_csv('linnerud.csv', encoding='utf-8', index_label='id')

次のプログラムは，digits データセットの 0 番目のデータを 8×8 の画像として表示する。

import numpy as np
import sklearn.datasets
import matplotlib.pyplot as plt

a = sklearn.datasets.load_digits()
plt.gray()
plt.matshow(np.array(a.data[0]).reshape(8, 8))
plt.show()