机器学习数据集

本仓库包含 MachineLearningMastery.com 教程中使用的机器学习数据集副本。

创建此仓库的目的是确保教程中使用的数据集始终可用，而不依赖于不可靠的第三方。

所有回归和分类问题的 CSV 文件均无表头行、列之间无空格，目标变量位于最后一列，缺失值用问号字符（‘?’）标记。

在许多情况下，教程会直接链接到原始数据集的 URL，因此一旦将数据集文件名添加到仓库中，就不应再更改。

数据集

本节提供了本仓库中数据集的概览。

二分类数据集

• 威斯康星乳腺癌数据集（breast-cancer-wisconsin.csv）
• 南斯拉夫乳腺癌数据集（breast-cancer.csv）
• 哈伯曼乳腺癌数据集（haberman.csv）
• 银行票据认证数据集（banknote_authentication.csv）
• 马肠绞痛数据集（horse-colic.csv）
• 电离层数据集（ionosphere.csv）
• 皮马印第安人糖尿病数据集（pima-indians-diabetes.csv）
• 声呐回波数据集（sonar.csv）
• 德国信用评分数据集（german.csv）
• 信用卡欺诈数据集（creditcard.csv.zip）
• 成人收入数据集（adult-all.csv）
• 乳房X光检查数据集（mammography.csv）
• 石油泄漏数据集（oil-spill.csv）
• 音素数据集（phoneme.csv）

多分类数据集

• 玻璃识别数据集（glass.csv）
• 菊花品种分类数据集（iris.csv）
• 小麦种子分类数据集（wheat-seeds.csv）
• 葡萄酒分类数据集（wine.csv）
• 大肠杆菌数据集（ecoli.csv）
• 甲状腺疾病数据集（new-thyroid.csv）

回归数据集

• 波士顿房价数据集（housing.csv）
• 汽车保险索赔总额数据集（auto-insurance.csv）
• 进口汽车价格数据集（auto_imports.csv）
• 牡蛎年龄预测数据集（abalone.csv）
• 红葡萄酒质量数据集（winequality-red.csv）
• 白葡萄酒质量数据集（winequality-white.csv）

单变量时间序列数据集

• 墨尔本每日最低气温数据集（daily-min-temperatures.csv）
• 墨尔本每日最高气温数据集（daily-max-temperatures.csv）
• 加利福尼亚州每日女性出生人数数据集（daily-total-female-births.csv）
• 国际航空公司月度旅客运输量数据集（monthly-airline-passengers.csv）
• 波士顿月度持械抢劫案件数据集（monthly-robberies.csv）
• 月度太阳黑子观测数据集（monthly-sunspots.csv）
• 月度香槟销售数据集（monthly_champagne_sales.csv）
• 月度洗发水销售数据集（monthly-shampoo-sales.csv）
• 月度汽车销售数据集（monthly-car-sales.csv）
• 诺丁汉城堡月度平均气温数据集（monthly-mean-temp.csv）
• 月度特种书写纸销售数据集（monthly-writing-paper-sales.csv）
• 巴尔的摩年度用水量数据集（yearly-water-usage.csv）

多变量时间序列数据集

• 北京市小时空气质量监测数据集（pollution.csv）
• 家庭每分钟用电量数据集（household_power_consumption.zip）
• 使用智能手机进行人体活动识别数据集（HAR_Smartphones.zip）
• 室内运动轨迹预测数据集（IndoorMovement.zip）
• 龙利经济就业数据集（longley.csv）

自然语言处理

• Flickr 8k 图片描述数据集（Flickr8k_Dataset.zip, Flickr8k_text.zip）
• 电影评论情感分析数据集（review_polarity.tar.gz）
• 德语到英语翻译数据集（deu-eng.txt）
• 柏拉图《理想国》文本（republic.txt）

ARFF 数据集

• Weka UCI 数据集（weka-datasets.zip）
• Weka 数值型数据集（weka-datasets-numeric.zip）

Datasets 快速上手指南

环境准备

本仓库主要提供机器学习教程所需的原始数据集文件（CSV、ZIP、ARFF 等格式），无需安装特定的 Python 包即可直接使用。

• 系统要求：适用于 Windows、macOS 和 Linux 系统。
• 前置依赖：
  • Git：用于克隆仓库（推荐）。
  • Python 3.x（可选）：如果你计划使用 pandas 或 scikit-learn 等库加载和分析数据，请确保已安装 Python 及相关数据分析库。
  • 解压工具：部分数据集为 .zip 或 .tar.gz 格式，需具备相应的解压能力。

注意：国内开发者若遇到 GitHub 访问缓慢问题，建议使用国内代码托管平台（如 Gitee）的镜像仓库，或使用代理加速下载。

安装步骤

方法一：通过 Git 克隆（推荐）

直接在终端运行以下命令将数据集仓库克隆到本地：

git clone https://github.com/jbrownlee/Datasets.git
cd Datasets

国内加速方案（如果上述命令超时）：

git clone https://gitee.com/mirror/Datasets.git  # 示例镜像地址，实际请使用可用的国内镜像
cd Datasets

方法二：手动下载

1. 访问仓库页面，点击 "Code" -> "Download ZIP"。
2. 下载完成后，在本地解压文件夹。

基本使用

本仓库中的 CSV 文件遵循统一格式：无表头、列间无空格、目标变量在最后一列、缺失值用 ? 标记。

以下是最简单的 Python 使用示例，展示如何使用 pandas 加载二分类数据集（如乳腺癌数据集）：

1. 加载 CSV 数据集

import pandas as pd

# 定义文件路径
filename = 'breast-cancer-wisconsin.csv'

# 读取数据
# header=None 表示文件没有表头
# na_values='?' 将问号识别为缺失值 (NaN)
df = pd.read_csv(filename, header=None, na_values='?')

# 查看前 5 行数据
print(df.head())

# 分离特征 (X) 和 目标变量 (y)
# 目标变量在最后一列
data = df.values
X = data[:, :-1]
y = data[:, -1]

print(f"特征形状: {X.shape}, 目标形状: {y.shape}")

2. 加载时间序列数据集

对于单变量时间序列（如墨尔本每日最低气温），通常只需读取第一列作为数值序列：

import pandas as pd
import matplotlib.pyplot as plt

filename = 'daily-min-temperatures.csv'

# 读取数据，指定第一列为日期索引，第二列为数值
df = pd.read_csv(filename, header=0, index_col=0, parse_dates=True, squeeze=True)

# 绘制时间序列图
df.plot()
plt.show()

3. 处理压缩文件

部分大型数据集（如 creditcard.csv.zip 或 Flickr8k_Dataset.zip）需要先解压：

# Linux/macOS
unzip creditcard.csv.zip

# Windows (PowerShell)
Expand-Archive creditcard.csv.zip -DestinationPath .

解压后即可按照上述 CSV 加载方式进行读取。