.. _datasets:

=========================
数据集加载工具
=========================

.. currentmodule:: sklearn.datasets

 ``sklearn.datasets`` 包嵌入了一些小型的示例数据集，并提供了一些帮助函数来获取来自'现实世界'的较大数据集，这些数据集通常被机器学习社区用于算法基准测试。

为了评估数据集规模（样本数量 ``n_samples`` 和特征数量 ``n_features`` ）对算法的影响，同时控制数据的统计特性（通常是特征的相关性和信息量），也可以生成合成数据。

**通用数据集API。** 根据所需数据集的类型，可以使用三种主要类型的数据集接口来获取数据集。

**数据集加载器。** 它们可以用来加载小型标准数据集，详见 :ref:`toy_datasets` 部分。

**数据集获取器。** 它们可以用来下载和加载较大的数据集，详见 :ref:`real_world_datasets` 部分。

加载器和获取器函数都返回一个 :class:`~sklearn.utils.Bunch` 对象，该对象至少包含两个项：一个形状为 ``n_samples`` * ``n_features`` 的数组，键为 ``data`` （除了20newsgroups），以及一个长度为 ``n_samples`` 的numpy数组，包含目标值，键为 ``target`` 。

Bunch对象是一个字典，其键作为属性暴露。有关Bunch对象的更多信息，请参见 :class:`~sklearn.utils.Bunch` 。

对于几乎所有这些函数，通过将 ``return_X_y`` 参数设置为 ``True`` ，还可以将输出限制为一个仅包含数据和目标的元组。

这些数据集还包含其 ``DESCR`` 属性中的完整描述，有些还包含 ``feature_names`` 和 ``target_names`` 。详情请参见下面的数据集描述。

**数据集生成函数。** 它们可以用来生成受控的合成数据集，详见 :ref:`sample_generators` 部分。
这些函数返回一个元组 ``(X, y)`` ，其中包含一个 ``n_samples`` * ``n_features`` 的 numpy 数组 ``X`` 和一个长度为 ``n_samples`` 的目标数组 ``y`` 。

此外，还有其他工具用于加载其他格式或来自其他位置的数据集，这些工具在 :ref:`loading_other_datasets` 部分进行了描述。


.. toctree::
    :maxdepth: 2

    datasets/toy_dataset
    datasets/real_world
    datasets/sample_generators
    datasets/loading_other_datasets