Caricamento di raccolte di set di dati - Esempi di codice Python

Question

A volte potresti voler controllare le tue idee su più set di dati. Esistono diversi luoghi con raccolte di set di dati.

Domanda: condividere alcuni script Python su come scaricare più set di dati da queste (o altre) raccolte di set di dati?

Idealmente si dovrebbe essere in grado di: 1) ottenere l'elenco dei dataset 2) selezionare alcuni desiderati dalle condizioni 3) scaricare quelli selezionati. Ma se hai qualcosa di diverso, condividilo comunque.

Per il database "openml" - ho uno script - vedi la mia risposta. Ma ho per altre collezioni: Kaggle, uci ...

---

Di seguito alcuni esempi di raccolte di set di dati:

https://www.openml.org/

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

https://ieee-dataport.org/datasets

Каggle contiene molti set di dati, ci sono anche raccolte specifiche: raccolte di grafici vedere l'elenco qui https://mathoverflow.net/a/359449/10446 , molti dati biologici sono qui: https://www.ncbi.nlm.nih.gov/gds

Answer 1

Come recuperare i dati di Kaggle dal codice Python?

1. Installa il pacchetto kaggle C: \ Users \ TalgatHafiz> pip installa kaggle

2. accedi al tuo account Kaggle fai clic sull'icona nell'angolo in alto a destra -> Il mio account Scorri fino alla sezione API Fai clic su "Crea nuovo token API" Il file "kaggle.json" viene creato e salvato localmente

3. Crea ".kaggle" dir C: \ Users \ TalgatHafiz> mkdir .kaggle e sposta "kaggle.json" in quella directory

4. vedere tutte le competizioni attive eseguendo il seguente comando C: \ Users \ TalgatHafiz> elenco gare kaggle

5. Seleziona una delle competizioni a cui ti sei iscritto, ad es https://www.kaggle.com/c/contradictory-my-dear-watson/data#Scorri verso il basso. Subito prima della sezione "Data Explorer" dovrebbe esserci la riga API: "kaggle competitions download -c contradictory-my-dear-watson" copia

6. esegui questi comandi dal notebook import kaggle! kaggle concorsi download -c contraddittorio-mio-caro-watson

7. Il file di dati zippato viene scaricato nella stessa directory in cui si trova il tuo notebook: C: \ Users \ TalgatHafiz \ conda \ contradictory-my-dear-watson.zip quindi ora puoi decomprimere e iniziare a utilizzare i dati

Se hai ancora domande, leggi https://medium.com/@jeff.daniel77/accessing-the-kaggle-com-api-with-jupyter-notebook-on-windows-d6f330bc6953

Answer 2

Ecco alcuni script per la raccolta "openml" di set di dati. Si spera che si possa fornire qualcosa di simile per altri database.

#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' )

---

Ecco un esempio ancora più semplice per i set di dati incorporati di 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 ha una galleria di diversi esempi di casi d'uso, tra cui la navigazione e il download di set di dati tramite Python e l'esecuzione di benchmark: https://openml.github.io/openml-python/master/examples/index.html

Quando vuoi confrontare nuovi algoritmi, questo è il succo:

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))

Risultato (questi sono compiti CV 10 volte):

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]

Puoi anche scegliere di condividere direttamente il risultato su OpenML con run.publish()

Dichiarazione di non responsabilità: sono uno degli sviluppatori principali di OpenML