Memuat koleksi set data - contoh kode Python

Question

Terkadang Anda mungkin ingin memeriksa ide-ide Anda pada beberapa kumpulan data. Ada beberapa tempat dengan kumpulan dataset.

Pertanyaan: Silakan bagikan beberapa skrip Python bagaimana cara mendownload beberapa dataset dari kumpulan dataset ini (atau lainnya)?

Idealnya seseorang harus mampu: 1) mendapatkan daftar dataset 2) memilih beberapa kondisi yang diinginkan 3) mengunduh yang dipilih. Tetapi jika Anda memiliki sesuatu yang berbeda, silakan bagikan.

Untuk database "openml" - Saya memiliki skrip - lihat jawaban saya sendiri. Tapi saya punya untuk koleksi lain: Kaggle, uci ...

---

Berikut beberapa contoh kumpulan dataset:

https://www.openml.org/

https://archive.ics.uci.edu/ml/index.php

https://ieee-dataport.org/datasets

Каggle berisi banyak dataset, ada juga koleksi khusus: koleksi grafik lihat daftar di sini https://mathoverflow.net/a/359449/10446 , banyak data biologis ada di sini: https://www.ncbi.nlm.nih.gov/gds

Answer 1

Bagaimana cara mengambil data Kaggle dari kode python?

1. Instal paket kaggle C: \ Users \ TalgatHafiz> pip instal kaggle

2. login ke akun Kaggle Anda klik ikon di pojok kanan atas -> Akun Saya Gulir ke bawah ke bagian API Klik "Buat Token API Baru" "kaggle.json" file dibuat dan disimpan secara lokal

3. Buat ".kaggle" dir C: \ Users \ TalgatHafiz> mkdir .kaggle dan pindahkan "kaggle.json" ke direktori itu

4. lihat semua kompetisi aktif dengan menjalankan perintah berikut C: \ Users \ TalgatHafiz> daftar kompetisi kaggle

5. Pilih salah satu kompetisi yang Anda ikuti, mis https://www.kaggle.com/c/contradictory-my-dear-watson/data#Gulir ke bawah. Tepat sebelum bagian "Data Explorer" harus ada baris API: "kompetisi kaggle download -c contradictory-my-dear-watson" salin

6. jalankan perintah ini dari notebook import kaggle! kaggle competition download -c contradictory-my-dear-watson

7. file data zip diunduh ke direktori yang sama di mana notebook Anda berada: C: \ Users \ TalgatHafiz \ conda \ contradictory-my-dear-watson.zip jadi sekarang Anda dapat mengekstrak dan mulai menggunakan data

Jika Anda masih memiliki pertanyaan, silakan baca https://medium.com/@jeff.daniel77/accessing-the-kaggle-com-api-with-jupyter-notebook-on-windows-d6f330bc6953

Answer 2

Berikut ini beberapa skrip untuk kumpulan data "openml". Mudah-mudahan seseorang dapat memberikan sesuatu yang serupa untuk database lain.

#see docs: https://docs.openml.org/Python-guide/

!pip install openml
import openml

import numpy as np
import pandas as pd
import time


# Get information on all collection of openml datasets:
datalist = openml.datasets.list_datasets(output_format="dataframe")

# select datasets by some conditions (just pandas) - we will get just 4 such datasets 
datasets_selected = datalist[ (datalist.NumberOfInstances < 2550) & (datalist.NumberOfInstances > 300)& (datalist.NumberOfFeatures > 10000) &  (datalist.NumberOfFeatures < 40000) & \
                     ( datalist.NumberOfFeatures != 10937)    ].sort_values(["NumberOfInstances"], ascending=False)#.head(n=20)
print(datasets_selected.shape)

# load all selected datasets and print short info: 
for i in range(len(datasets_selected)):
  nm = datasets_selected['name'].iloc[i]
  print(nm, i )
  did =  int( datasets_selected['did'].iloc[i] ) # did - dataset_id 
  t0 = time.time()
  data = openml.datasets.get_dataset(did)
  X, y, categorical_indicator, attribute_names = data.get_data(
      dataset_format="array", target=data.default_target_attribute )
  print(X.shape, y.shape, time.time()-t0,'secs passed' )

---

Berikut adalah contoh yang lebih sederhana untuk set data bawaan sklearn:

import numpy as np 
from sklearn import  datasets 
import time
list_id =  ['load_boston', 'load_iris', 'load_diabetes', 'load_digits', 'load_linnerud', 'load_wine' , 'load_breast_cancer'] + \
 ['fetch_california_housing', 'fetch_covtype',  'fetch_lfw_people', 'fetch_20newsgroups_vectorized','fetch_olivetti_faces' ]
# 'fetch_rcv1', - too long 
# 'fetch_lfw_pairs' - TypeError fetch_lfw_pairs() got an unexpected keyword argument 'return_X_y
# 'fetch_kddcup99' - sometimes problem happens
for id in list_id:
  print(id)
  t0 = time.time()
  func_load  = getattr(datasets, id )
  X,y = func_load(return_X_y = True)
  print(id, X.shape, time.time()-t0, 'secs passed')

Answer 3

OpenML memiliki galeri berbagai contoh kasus penggunaan, termasuk menjelajahi dan mengunduh kumpulan data melalui python, dan menjalankan tolok ukur: https://openml.github.io/openml-python/master/examples/index.html

Saat Anda ingin mengukur algoritme baru, ini intinya:

import openml
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

suite = openml.study.get_suite('OpenML-CC18') # get benchmark suite
tasks = np.random.choice(suite.tasks, size=10, replace=False) # sample 10 tasks randomly
clf = make_pipeline(SimpleImputer(),RandomForestClassifier()) # simple pipeline
for task_id in tasks:
    task = openml.tasks.get_task(task_id)
    print("Running on task",task.get_dataset().name)
    run = openml.runs.run_model_on_task(clf, task)
    print(run.get_metric_fn(accuracy_score))

Output (ini adalah tugas CV 10 kali lipat):

Running on task credit-approval
[0.928 0.884 0.841 0.768 0.913 0.884 0.884 0.841 0.899 0.884]
Running on task pc1
[0.955 0.919 0.946 0.955 0.937 0.973 0.919 0.928 0.919 0.918]

Anda juga dapat memilih untuk langsung membagikan hasil di OpenML dengan run.publish()

Penafian: Saya adalah salah satu pengembang inti OpenML