Jak przekonwertować zbiór danych Scikit-learn na zbiór danych Pandy?

from sklearn.datasets import load_iris
import pandas as pd

data = load_iris()
df = pd.DataFrame(data.data, columns=data.feature_names)
df.head()

Ten tutorial może Cię zainteresować: http://www.neural.cz/dataset-exploration-boston-house-pricing.html

Rozwiązanie TOMDLt nie jest wystarczająco ogólne dla wszystkich zbiorów danych w scikit-learn. Na przykład nie działa ON dla boston housing dataset. Proponuję inne rozwiązanie, bardziej uniwersalne. Nie musisz używać numpy.

from sklearn import datasets
import pandas as pd

boston_data = datasets.load_boston()
df_boston = pd.DataFrame(boston_data.data,columns=boston_data.feature_names)
df_boston['target'] = pd.Series(boston_data.target)
df_boston.head()

Jako funkcja ogólna:

def sklearn_to_df(sklearn_dataset):
    df = pd.DataFrame(sklearn_dataset.data, columns=sklearn_dataset.feature_names)
    df['target'] = pd.Series(sklearn_dataset.target)
    return df

df_boston = sklearn_to_df(datasets.load_boston())

Właśnie jako alternatywa, że mógłbym zawinąć głowę o wiele łatwiej:

data = load_iris()
df = pd.DataFrame(data['data'], columns=data['feature_names'])
df['target'] = data['target']
df.head()

Zasadniczo zamiast konkatenować z get go, po prostu stwórz ramkę danych z matrycą funkcji, a następnie dodaj kolumnę docelową z danymi ['whatvername'] i pobieraj wartości docelowe z zestawu danych

To mi pasuje.

dataFrame = pd.dataFrame(data = np.c_[ [iris['data'],iris['target'] ],
columns=iris['feature_names'].tolist() + ['target'])

Zajęło mi to 2 godziny.]}

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

iris = load_iris()
##iris.keys()


df= pd.DataFrame(data= np.c_[iris['data'], iris['target']],
                 columns= iris['feature_names'] + ['target'])

df['species'] = pd.Categorical.from_codes(iris.target, iris.target_names)

Get back the species for my pands

Wypracowanie najlepszej odpowiedzi i zaadresowanie mojego komentarza, oto funkcja konwersji

def bunch_to_dataframe(bunch):
  fnames = bunch.feature_names
  features = fnames.tolist() if isinstance(fnames, np.ndarray) else fnames
  features += ['target']
  return pd.DataFrame(data= np.c_[bunch['data'], bunch['target']],
                 columns=features)

Innym sposobem łączenia funkcji i zmiennych docelowych może być użycie np.column_stack (szczegóły )

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

data = load_iris()
df = pd.DataFrame(np.column_stack((data.data, data.target)), columns = data.feature_names+['target'])
print(df.head())

Wynik:

   sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)     target
0                5.1               3.5                1.4               0.2     0.0
1                4.9               3.0                1.4               0.2     0.0 
2                4.7               3.2                1.3               0.2     0.0 
3                4.6               3.1                1.5               0.2     0.0
4                5.0               3.6                1.4               0.2     0.0

Jeśli potrzebujesz etykiety łańcuchowej dla target, możesz użyć replace konwertując target_names na dictionary i dodać nową kolumnę:

df['label'] = df.target.replace(dict(enumerate(data.target_names)))
print(df.head())

Wynik:

   sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)     target  label 
0                5.1               3.5                1.4               0.2     0.0     setosa
1                4.9               3.0                1.4               0.2     0.0     setosa
2                4.7               3.2                1.3               0.2     0.0     setosa
3                4.6               3.1                1.5               0.2     0.0     setosa
4                5.0               3.6                1.4               0.2     0.0     setosa

Może jest lepszy sposób, ale oto, co robiłem w przeszłości i działa całkiem dobrze:

items = data.items()                          #Gets all the data from this Bunch - a huge list
mydata = pd.DataFrame(items[1][1])            #Gets the Attributes
mydata[len(mydata.columns)] = items[2][1]     #Adds a column for the Target Variable
mydata.columns = items[-1][1] + [items[2][0]] #Gets the column names and updates the dataframe

Teraz mydata będzie miała wszystko, czego potrzebujesz-atrybuty, zmienną docelową i nazwy kolumn

Ten fragment jest tylko składniowym cukrem zbudowanym na tym, co TomDLT i rolyatjuż wnieśli i wyjaśnili. Jedyna różnica polega na tym, że load_iris zwróci krotkę zamiast słownika, a nazwy kolumn zostaną wyliczone.

df = pd.DataFrame(np.c_[load_iris(return_X_y=True)])

Cokolwiek TomDLT odpowiedział, może nie zadziałać dla niektórych z was, ponieważ]}

data1 = pd.DataFrame(data= np.c_[iris['data'], iris['target']],
                 columns= iris['feature_names'] + ['target'])

Ponieważ iris ['feature_names'] zwraca tablicę numpy. W tablicy numpy nie można dodać tablicy i listy ['target'] tylko operatorem+. Dlatego najpierw musisz przekonwertować go na Listę, a następnie dodać.

You can do

data1 = pd.DataFrame(data= np.c_[iris['data'], iris['target']],
                 columns= list(iris['feature_names']) + ['target'])