fetch_openml#

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

Ruft den Datensatz von openml nach Name oder Datensatz-ID ab.

Datensätze werden eindeutig entweder durch eine Ganzzahl-ID oder durch eine Kombination aus Name und Version identifiziert (d.h. es kann mehrere Versionen des Datensatzes „iris“ geben). Bitte geben Sie entweder den Namen oder die data_id an (nicht beides). Wenn ein Name angegeben wird, kann auch eine Version angegeben werden.

Lesen Sie mehr im Benutzerhandbuch.

Hinzugefügt in Version 0.20.

Hinweis

EXPERIMENTELL

Die API ist experimentell (insbesondere die Struktur des Rückgabewerts) und kann in zukünftigen Versionen ohne Vorankündigung oder Warnung geringfügige abwärtsinkompatible Änderungen aufweisen.

Parameter:
namestr, Standardwert=None

Zeichenketten-Identifikator des Datensatzes. Beachten Sie, dass OpenML mehrere Datensätze mit demselben Namen haben kann.

versionint oder ‚active‘, Standard=‚active‘

Version des Datensatzes. Kann nur angegeben werden, wenn auch name angegeben ist. Wenn ‚active‘ angegeben ist, wird die älteste noch aktive Version verwendet. Da es mehr als eine aktive Version eines Datensatzes geben kann und diese Versionen sich grundlegend voneinander unterscheiden können, wird dringend empfohlen, eine genaue Version festzulegen.

data_idint, Standard=None

OpenML-ID des Datensatzes. Die spezifischste Art, einen Datensatz abzurufen. Wenn data_id nicht angegeben ist, werden Name (und mögliche Version) verwendet, um einen Datensatz zu erhalten.

data_homestr oder path-like, Standard=None

Geben Sie einen anderen Download- und Cache-Ordner für die Datensätze an. Standardmäßig werden alle scikit-learn-Daten in Unterordnern von ‚~/scikit_learn_data‘ gespeichert.

target_columnstr, list oder None, Standard=‚default-target‘

Geben Sie den Spaltennamen in den Daten an, der als Ziel verwendet werden soll. Wenn ‚default-target‘ angegeben ist, wird die Standard-Zielspalte verwendet, die auf dem Server gespeichert ist. Wenn None angegeben ist, werden alle Spalten als Daten zurückgegeben und das Ziel ist None. Wenn eine Liste (von Zeichenketten) angegeben ist, werden alle Spalten mit diesen Namen als Mehrfachziele zurückgegeben (Hinweis: Nicht alle scikit-learn-Klassifikatoren können alle Arten von Mehrfachausgabekombinationen verarbeiten).

cachebool, Standard=True

Ob die heruntergeladenen Datensätze in data_home gecacht werden sollen.

return_X_ybool, Standard=False

Wenn True, werden (data, target) anstelle eines Bunch-Objekts zurückgegeben. Informationen zu den data- und target-Objekten finden Sie weiter unten.

as_framebool oder ‚auto‘, Standard=‚auto‘

Wenn True, sind die Daten ein pandas DataFrame, einschließlich Spalten mit geeigneten Datentypen (numerisch, Zeichenkette oder kategorisch). Das Ziel ist ein pandas DataFrame oder eine Series, abhängig von der Anzahl der target_columns. Der Bunch enthält ein Attribut frame mit dem Ziel und den Daten. Wenn return_X_y True ist, sind (data, target) pandas DataFrames oder Series, wie oben beschrieben.

Wenn as_frame ‚auto‘ ist, werden die Daten und das Ziel so in DataFrame oder Series konvertiert, als ob as_frame auf True gesetzt wäre, es sei denn, der Datensatz ist im Sparse-Format gespeichert.

Wenn as_frame False ist, sind die Daten und das Ziel NumPy-Arrays, und die data enthalten nur numerische Werte, wenn parser="liac-arff" verwendet wird, wobei die Kategorien im Attribut categories der Bunch-Instanz angegeben sind. Wenn parser="pandas" verwendet wird, erfolgt keine ordinale Kodierung.

Geändert in Version 0.24: Der Standardwert von as_frame wurde von False auf 'auto' in 0.24 geändert.

n_retriesint, Standard=3

Anzahl der Wiederholungsversuche bei HTTP-Fehlern oder Netzwerk-Timeouts. Fehler mit dem Statuscode 412 werden nicht wiederholt, da sie generische OpenML-Fehler darstellen.

delayfloat, Standard=1.0

Anzahl der Sekunden zwischen den Wiederholungsversuchen.

parser{„auto“, „pandas“, „liac-arff“}, Standard=„auto“

Parser, der zum Laden der ARFF-Datei verwendet wird. Zwei Parser sind implementiert

  • "pandas": Dies ist der effizienteste Parser. Er erfordert jedoch, dass pandas installiert ist, und kann nur dichte Datensätze öffnen.

  • "liac-arff": Dies ist ein reiner Python-ARFF-Parser, der wesentlich weniger speicher- und CPU-intensiv ist. Er verarbeitet Sparse-ARFF-Datensätze.

Wenn "auto" angegeben ist, wird der Parser automatisch so gewählt, dass "liac-arff" für Sparse-ARFF-Datensätze ausgewählt wird, andernfalls wird "pandas" ausgewählt.

Hinzugefügt in Version 1.2.

Geändert in Version 1.4: Der Standardwert von parser ändert sich von "liac-arff" zu "auto".

read_csv_kwargsdict, Standard=None

Schlüsselwortargumente, die an pandas.read_csv übergeben werden, wenn die Daten aus einer ARFF-Datei geladen und der pandas-Parser verwendet wird. Sie können einige Standardparameter überschreiben.

Hinzugefügt in Version 1.3.

Gibt zurück:
dataBunch

Dictionary-ähnliches Objekt mit den folgenden Attributen.

datanp.array, scipy.sparse.csr_matrix von Floats oder pandas DataFrame

Die Feature-Matrix. Kategorische Merkmale werden als Ordinalzahlen kodiert.

targetnp.array, pandas Series oder DataFrame

Die Regressionsziele oder Klassifikationsbezeichnungen, falls zutreffend. Der Datentyp ist float, wenn numerisch, und object, wenn kategorisch. Wenn as_frame True ist, ist target ein pandas-Objekt.

DESCRstr

Die vollständige Beschreibung des Datensatzes.

feature_nameslist

Die Namen der Datensatzspalten.

target_names: list

Die Namen der Zielspalten.

Hinzugefügt in Version 0.22.

categoriesdict oder None

Ordnet jeden Namen eines kategorischen Merkmals einer Liste von Werten zu, sodass der als i kodierte Wert der i-te in der Liste ist. Wenn as_frame True ist, ist dies None.

detailsdict

Weitere Metadaten von OpenML.

framepandas DataFrame

Nur vorhanden, wenn as_frame=True. DataFrame mit data und target.

(data, target)tuple, wenn return_X_y True ist

Hinweis

EXPERIMENTELL

Diese Schnittstelle ist experimentell und zukünftige Releases können Attribute ohne Vorankündigung ändern (obwohl es nur geringfügige Änderungen an data und target geben sollte).

Fehlende Werte in den ‚data‘ werden als NaN dargestellt. Fehlende Werte in ‚target‘ werden als NaN (numerisches Ziel) oder None (kategorisches Ziel) dargestellt.

Anmerkungen

Die Parser "pandas" und "liac-arff" können zu unterschiedlichen Datentypen in der Ausgabe führen. Die bemerkenswerten Unterschiede sind folgende:

  • Der Parser "liac-arff" kodiert kategorische Merkmale immer als str-Objekte. Im Gegensatz dazu leitet der Parser "pandas" beim Lesen den Typ ab und numerische Kategorien werden, wo immer möglich, in Ganzzahlen umgewandelt.

  • Der Parser "liac-arff" verwendet float64 zur Kodierung von numerischen Merkmalen, die in den Metadaten als ‚REAL‘ und ‚NUMERICAL‘ gekennzeichnet sind. Der Parser "pandas" leitet stattdessen ab, ob diese numerischen Merkmale Ganzzahlen entsprechen, und verwendet die Integer-Erweiterungs-Datentypen von pandas.

  • Insbesondere werden Klassifikationsdatensätze mit Ganzzahl-Kategorien typischerweise als solche geladen (0, 1, ...) mit dem Parser "pandas", während "liac-arff" die Verwendung von Zeichenketten-kodierten Klassenbezeichnungen wie "0", "1" und so weiter erzwingt.

  • Der Parser "pandas" entfernt keine einfachen Anführungszeichen – d.h. ' – aus Zeichenketten-Spalten. Zum Beispiel wird eine Zeichenkette 'my string' beibehalten, während der Parser "liac-arff" die einfachen Anführungszeichen entfernt. Bei kategorischen Spalten werden die einfachen Anführungszeichen von den Werten entfernt.

Darüber hinaus gibt der Parser "liac-arff" bei Verwendung von as_frame=False ordinal kodierte Daten zurück, bei denen die Kategorien im Attribut categories der Bunch-Instanz angegeben sind. Stattdessen gibt "pandas" ein NumPy-Array zurück, bei dem die Kategorien nicht kodiert sind.

Beispiele

>>> from sklearn.datasets import fetch_openml
>>> adult = fetch_openml("adult", version=2)
>>> adult.frame.info()
<class 'pandas.core.frame.DataFrame'>
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
Auf dieser Seite

Diese Seite