sklearn库中有关于数据集的介绍
scikit-learn（sklearn）库提供了多个内置数据集，涵盖分类、回归、聚类等任务。这些数据集常用于教学、算法测试和模型验证。以下是常用数据集及其简要介绍：
一.常见的数据集分类
1. 分类数据集
(1) 鸢尾花数据集（Iris）
加载函数：
load_iris()样本数：150（3类 × 50个）
特征数：4（萼片长宽、花瓣长宽）
目标变量：3种鸢尾花类型（
setosa,versicolor,virginica）用途：多分类任务入门。
from sklearn.datasets import load_iris
data = load_iris()
X, y = data.data, data.target(2) 手写数字数据集（Digits）
加载函数：
load_digits()样本数：1797
特征数：64（8×8像素图像，每像素0~16的灰度值）
目标变量：数字0~9
用途：图像分类入门。
from sklearn.datasets import load_digits
data = load_digits()(3) 乳腺癌数据集（Breast Cancer）
加载函数：
load_breast_cancer()样本数：569（良性357，恶性212）
特征数：30（半径、纹理等医学特征）
目标变量：
0（恶性）或1（良性）用途：二分类任务。
from sklearn.datasets import load_breast_cancer
data = load_breast_cancer()2. 回归数据集
(1) 波士顿房价数据集（Boston Housing）
⚠️ 注意：由于伦理问题，该数据集在scikit-learn 1.2版本后被移除。替代方案：
fetch_california_housing()。
加载函数：
fetch_california_housing()（加利福尼亚房价）样本数：20640
特征数：8（收入中位数、房龄等）
目标变量：房屋价格中位数
from sklearn.datasets import fetch_california_housing
data = fetch_california_housing()(2) 糖尿病数据集（Diabetes）
加载函数：
load_diabetes()样本数：442
特征数：10（年龄、性别、BMI等）
目标变量：疾病进展指标（连续值）
from sklearn.datasets import load_diabetes
data = load_diabetes()3. 聚类数据集
(1) 合成斑点数据集（Blobs）
生成函数：
make_blobs()用途：自定义聚类数据（可控簇数量、标准差）。
from sklearn.datasets import make_blobs
X, y = make_blobs(n_samples=100, centers=3, random_state=42)(2) 鸢尾花数据集
同样适用于聚类任务（如K-Means）。
4. 其他数据集
(1) 葡萄酒数据集（Wine）
加载函数：
load_wine()样本数：178（3类）
特征数：13（酒精含量、颜色强度等）
目标变量：葡萄酒品类（3类）
from sklearn.datasets import load_wine
data = load_wine()(2) 新闻分类数据集（20 Newsgroups）
加载函数：
fetch_20newsgroups()样本数：约18,000篇新闻
特征：文本数据
目标变量：20个主题类别
from sklearn.datasets import fetch_20newsgroups
data = fetch_20newsgroups(subset='train') # subset='test'二.常见的数据集的操作
查看数据集描述
print(data.DESCR) # 打印详细描述（特征含义、来源等）数据集结构
print("特征形状:", data.data.shape)
print("标签形状:", data.target.shape)
print("特征名:", data.feature_names)
print("标签名:", data.target_names)完整示例（加载并探索Iris数据集）
from sklearn.datasets import load_iris# 加载数据
iris = load_iris()# 查看关键信息
print("特征矩阵形状:", iris.data.shape) # (150, 4)
print("标签形状:", iris.target.shape) # (150,)
print("特征名:", iris.feature_names) # ['sepal length (cm)', ...]
print("类别名:", iris.target_names) # ['setosa', 'versicolor', 'virginica']# 打印详细描述
print(iris.DESCR) # 包含数据来源、统计信息等通过sklearn.datasets模块，你可以快速获取高质量数据集，无需额外下载，非常适合算法原型开发和实验。
三.sklearn数据集返回值介绍
在 scikit-learn（sklearn）中，加载内置数据集（如 load_iris, load_digits, fetch_california_housing 等）通常返回一个 Bunch 对象。这不是标准的 Python 字典，而是一个类似字典的对象，允许通过点号.或键[]访问其属性。
核心返回值（Bunch对象的属性）：
1.data (最重要的特征数据):
类型： 通常是 numpy.ndarray（二维数组）。
内容： 包含数据集的所有样本的特征向量（自变量）。
形状： (n_samples, n_features)。
示例： X = iris.data 获取鸢尾花的特征（萼片长宽、花瓣长宽）。
2.target (目标变量/标签):
类型： 通常是 numpy.ndarray（一维或二维数组）
内容：
分类任务： 样本对应的类别标签（整数或字符串编码）。
回归任务： 样本对应的连续目标值。
形状： (n_samples,) 或 (n_samples, n_targets)（多输出问题）。
示例： y = iris.target 获取鸢尾花的品种标签（0, 1, 2）。
3.feature_names (特征名称):
类型： list of str。
内容： data 数组中每一列（特征）的名称。对于图像数据集（如 load_digits），此属性通常为 None。
示例： iris.feature_names 返回 ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']。
4.target_names (目标名称 - 主要分类):
类型： list of str 或 numpy.ndarray of str。
内容： target 数组中每个唯一标签对应的实际类别名称。对于纯回归数据集（如 fetch_california_housing），此属性通常为 None。
示例： iris.target_names 返回 ['setosa', 'versicolor', 'virginica']。
5.DESCR (数据集描述):
类型： str。
内容： 关于数据集的完整描述文本。通常包含来源、属性解释、统计信息、引用信息等。非常有用！
示例： print(iris.DESCR) 会打印出鸢尾花数据集的详细文档。
6. filename (文件路径 - 某些数据集):
类型： str。
内容： 本地缓存数据文件的完整路径。对于像 load_iris 这种极小的内置在库中的数据，此属性可能不存在或为 None。对于 fetch_* 类需要下载的数据集（如fetch_california_housing），此属性指向下载后存储的数据文件。
示例： cal_housing.filename 可能返回类似 '/Users/.../scikit_learn_data/.../cal_housing.tgz' 的路径。