TranslateProject/published/201810/20180926 How to use the Scikit-learn Python library for data science projects.md

如何将 Scikit-learn Python 库用于数据科学项目
======

> 灵活多样的 Python 库为数据分析和数据挖掘提供了强力的机器学习工具。

![](https://opensource.com/sites/default/files/styles/image-full-size/public/lead-images/brain_data.png?itok=RH6NA32X)

Scikit-learn Python 库最初于 2007 年发布，通常用于解决各种方面的机器学习和数据科学问题。这个多种功能的库提供了整洁、一致、高效的 API 和全面的在线文档。

### 什么是 Scikit-learn？

[Scikit-learn][1] 是一个开源 Python 库，拥有强大的数据分析和数据挖掘工具。 在 BSD 许可下可用，并建立在以下机器学习库上：

- `NumPy`，一个用于操作多维数组和矩阵的库。它还具有广泛的数学函数汇集，可用于执行各种计算。
- `SciPy`，一个由各种库组成的生态系统，用于完成技术计算任务。
- `Matplotlib`，一个用于绘制各种图表和图形的库。

Scikit-learn 提供了广泛的内置算法，可以充分用于数据科学项目。

以下是使用 Scikit-learn 库的主要方法。

#### 1、分类

[分类][2]工具识别与提供的数据相关联的类别。例如，它们可用于将电子邮件分类为垃圾邮件或非垃圾邮件。

Scikit-learn 中的分类算法包括：

- <ruby>支持向量机<rt>Support vector machines</rt></ruby>（SVM）
- <ruby>最邻近<rt>Nearest neighbors</rt></ruby>
- <ruby>随机森林<rt>Random forest</rt></ruby>

#### 2、回归

回归涉及到创建一个模型去试图理解输入和输出数据之间的关系。例如，回归工具可用于理解股票价格的行为。

回归算法包括：

- <ruby>支持向量机<rt>Support vector machines</rt></ruby>（SVM）
- <ruby>岭回归<rt>Ridge regression</rt></ruby>
- Lasso（LCTT 译注：Lasso 即 least absolute shrinkage and selection operator，又译为最小绝对值收敛和选择算子、套索算法）

#### 3、聚类

Scikit-learn 聚类工具用于自动将具有相同特征的数据分组。 例如，可以根据客户数据的地点对客户数据进行细分。

聚类算法包括：

- K-means
- <ruby>谱聚类<rt>Spectral clustering</rt></ruby>
- Mean-shift

#### 4、降维

降维降低了用于分析的随机变量的数量。例如，为了提高可视化效率，可能不会考虑外围数据。

降维算法包括：

- <ruby>主成分分析<rt>Principal component analysis</rt></ruby>（PCA）
- <ruby>功能选择<rt>Feature selection</rt></ruby>
- <ruby>非负矩阵分解<rt>Non-negative matrix factorization</rt></ruby>

#### 5、模型选择

模型选择算法提供了用于比较、验证和选择要在数据科学项目中使用的最佳参数和模型的工具。

通过参数调整能够增强精度的模型选择模块包括：

- <ruby>网格搜索<rt>Grid search</rt></ruby>
- <ruby>交叉验证<rt>Cross-validation</rt></ruby>
- <ruby>指标<rt>Metrics</rt></ruby>

#### 6、预处理

Scikit-learn 预处理工具在数据分析期间的特征提取和规范化中非常重要。 例如，您可以使用这些工具转换输入数据（如文本）并在分析中应用其特征。

预处理模块包括：

- 预处理
- 特征提取

### Scikit-learn 库示例

让我们用一个简单的例子来说明如何在数据科学项目中使用 Scikit-learn 库。

我们将使用[鸢尾花花卉数据集][3]，该数据集包含在 Scikit-learn 库中。 鸢尾花数据集包含有关三种花种的 150 个细节，三种花种分别为：

- Setosa：标记为 0
- Versicolor：标记为 1
- Virginica：标记为 2

数据集包括每种花种的以下特征（以厘米为单位）：

- 萼片长度
- 萼片宽度
- 花瓣长度
- 花瓣宽度

#### 第 1 步：导入库

由于鸢尾花花卉数据集包含在 Scikit-learn 数据科学库中，我们可以将其加载到我们的工作区中，如下所示：

```
from sklearn import datasets
iris = datasets.load_iris()
```

这些命令从 `sklearn` 导入数据集 `datasets` 模块，然后使用 `datasets` 中的 `load_iris()` 方法将数据包含在工作空间中。

#### 第 2 步：获取数据集特征

数据集 `datasets` 模块包含几种方法，使您更容易熟悉处理数据。

在 Scikit-learn 中，数据集指的是类似字典的对象，其中包含有关数据的所有详细信息。 使用 `.data` 键存储数据，该数据列是一个数组列表。

例如，我们可以利用 `iris.data` 输出有关鸢尾花花卉数据集的信息。

```
print(iris.data)
```

这是输出（结果已被截断）：

```
[[5.1 3.5 1.4 0.2]
 [4.9 3.  1.4 0.2]
 [4.7 3.2 1.3 0.2]
 [4.6 3.1 1.5 0.2]
 [5.  3.6 1.4 0.2]
 [5.4 3.9 1.7 0.4]
 [4.6 3.4 1.4 0.3]
 [5.  3.4 1.5 0.2]
 [4.4 2.9 1.4 0.2]
 [4.9 3.1 1.5 0.1]
 [5.4 3.7 1.5 0.2]
 [4.8 3.4 1.6 0.2]
 [4.8 3.  1.4 0.1]
 [4.3 3.  1.1 0.1]
 [5.8 4.  1.2 0.2]
 [5.7 4.4 1.5 0.4]
 [5.4 3.9 1.3 0.4]
 [5.1 3.5 1.4 0.3]
```

我们还使用 `iris.target` 向我们提供有关花朵不同标签的信息。

```
print(iris.target)
```

这是输出：

```
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
 2 2]
```

如果我们使用 `iris.target_names`，我们将输出数据集中找到的标签名称的数组。

```
print(iris.target_names)
```

以下是运行 Python 代码后的结果：

```
['setosa' 'versicolor' 'virginica']
```

#### 第 3 步：可视化数据集

我们可以使用[箱形图][4]来生成鸢尾花数据集的视觉描绘。 箱形图说明了数据如何通过四分位数在平面上分布的。

以下是如何实现这一目标：

```
import seaborn as sns
box_data = iris.data  # 表示数据数组的变量
box_target = iris.target  # 表示标签数组的变量
sns.boxplot(data = box_data,width=0.5,fliersize=5)
sns.set(rc={'figure.figsize':(2,15)})
```

让我们看看结果：

![](https://opensource.com/sites/default/files/uploads/scikit_boxplot.png)

在横轴上：

  * 0 是萼片长度
  * 1 是萼片宽度
  * 2 是花瓣长度
  * 3 是花瓣宽度

垂直轴的尺寸以厘米为单位。

### 总结

以下是这个简单的 Scikit-learn 数据科学教程的完整代码。

```
from sklearn import datasets
iris = datasets.load_iris()
print(iris.data)
print(iris.target)
print(iris.target_names)
import seaborn as sns
box_data = iris.data  # 表示数据数组的变量
box_target = iris.target  # 表示标签数组的变量
sns.boxplot(data = box_data,width=0.5,fliersize=5)
sns.set(rc={'figure.figsize':(2,15)})
```

Scikit-learn 是一个多功能的 Python 库，可用于高效完成数据科学项目。

如果您想了解更多信息，请查看 [LiveEdu][5] 上的教程，例如 Andrey Bulezyuk 关于使用 Scikit-learn 库创建[机器学习应用程序][6]的视频。

有什么评价或者疑问吗？ 欢迎在下面分享。

--------------------------------------------------------------------------------

via: https://opensource.com/article/18/9/how-use-scikit-learn-data-science-projects

作者：[Dr.Michael J.Garbade][a]
选题：[lujun9972](https://github.com/lujun9972)
译者：[Flowsnow](https://github.com/Flowsnow)
校对：[wxy](https://github.com/wxy)

本文由 [LCTT](https://github.com/LCTT/TranslateProject) 原创编译，[Linux中国](https://linux.cn/) 荣誉推出

[a]: https://opensource.com/users/drmjg
[1]: http://scikit-learn.org/stable/index.html
[2]: https://blog.liveedu.tv/regression-versus-classification-machine-learning-whats-the-difference/
[3]: https://en.wikipedia.org/wiki/Iris_flower_data_set
[4]: https://en.wikipedia.org/wiki/Box_plot
[5]: https://www.liveedu.tv/guides/data-science/
[6]: https://www.liveedu.tv/andreybu/REaxr-machine-learning-model-python-sklearn-kera/oPGdP-machine-learning-model-python-sklearn-kera/