Wie konvertiere ich einen Scikit-Learn-Datensatz in einen Pandas-Datensatz?

from sklearn.datasets import load_iris
import pandas as pd

data = load_iris()
df = pd.DataFrame(data.data, columns=data.feature_names)
df.head()

Dieses Tutorial kann von Interesse sein: http://www.neural.cz/dataset-exploration-boston-house-pricing.html

Die Lösung von TOMDLt ist nicht generisch genug für alle Datensätze in scikit-learn. Zum Beispiel funktioniert es nicht für das Boston-Housing-Dataset. Ich schlage eine andere Lösung vor, die universeller ist. Keine Notwendigkeit, auch numpy zu verwenden.

from sklearn import datasets
import pandas as pd

boston_data = datasets.load_boston()
df_boston = pd.DataFrame(boston_data.data,columns=boston_data.feature_names)
df_boston['target'] = pd.Series(boston_data.target)
df_boston.head()

Als allgemeine Funktion:

def sklearn_to_df(sklearn_dataset):
    df = pd.DataFrame(sklearn_dataset.data, columns=sklearn_dataset.feature_names)
    df['target'] = pd.Series(sklearn_dataset.target)
    return df

df_boston = sklearn_to_df(datasets.load_boston())

Nur als Alternative, dass ich meinen Kopf viel einfacher umwickeln könnte:

data = load_iris()
df = pd.DataFrame(data['data'], columns=data['feature_names'])
df['target'] = data['target']
df.head()

Anstatt von Anfang an zu verketten, erstellen Sie einfach einen Datenrahmen mit der Matrix aus Features, fügen dann die Zielspalte mit data ['whatvername'] hinzu und greifen die Zielwerte aus dem Dataset auf

Das funktioniert für mich.

dataFrame = pd.dataFrame(data = np.c_[ [iris['data'],iris['target'] ],
columns=iris['feature_names'].tolist() + ['target'])

Ich brauchte 2 Stunden, um das herauszufinden

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris

iris = load_iris()
##iris.keys()


df= pd.DataFrame(data= np.c_[iris['data'], iris['target']],
                 columns= iris['feature_names'] + ['target'])

df['species'] = pd.Categorical.from_codes(iris.target, iris.target_names)

Holen Sie sich die Spezies für meine Pandas zurück

Features und Zielvariablen können auch mit np.column_stack ( details ) kombiniert werden.

import numpy as np
import pandas as pd
from sklearn.datasets import load_iris

data = load_iris()
df = pd.DataFrame(np.column_stack((data.data, data.target)), columns = data.feature_names+['target'])
print(df.head())

Ergebnis:

   sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)     target
0                5.1               3.5                1.4               0.2     0.0
1                4.9               3.0                1.4               0.2     0.0 
2                4.7               3.2                1.3               0.2     0.0 
3                4.6               3.1                1.5               0.2     0.0
4                5.0               3.6                1.4               0.2     0.0

Wenn Sie die Zeichenfolgenbeschriftung für die Variable target benötigen, können Sie replace verwenden, indem Sietarget_names in dictionary konvertieren und eine neue Spalte hinzufügen:

df['label'] = df.target.replace(dict(enumerate(data.target_names)))
print(df.head())

Ergebnis:

   sepal length (cm)  sepal width (cm)  petal length (cm)  petal width (cm)     target  label 
0                5.1               3.5                1.4               0.2     0.0     setosa
1                4.9               3.0                1.4               0.2     0.0     setosa
2                4.7               3.2                1.3               0.2     0.0     setosa
3                4.6               3.1                1.5               0.2     0.0     setosa
4                5.0               3.6                1.4               0.2     0.0     setosa

Die beste Antwort abarbeiten und meinen Kommentar ansprechen, hier eine Funktion für die Konvertierung

def bunch_to_dataframe(bunch):
  fnames = bunch.feature_names
  features = fnames.tolist() if isinstance(fnames, np.ndarray) else fnames
  features += ['target']
  return pd.DataFrame(data= np.c_[bunch['data'], bunch['target']],
                 columns=features)

import pandas as pd
from sklearn.datasets import load_iris
iris = load_iris()
X = iris['data']
y = iris['target']
iris_df = pd.DataFrame(X, columns = iris['feature_names'])
iris_df.head()

Eine der besten Möglichkeiten:

data = pd.DataFrame(digits.data)

Digits ist der sklearn-Datenrahmen und ich habe ihn in einen pandas-Datenrahmen konvertiert

Was auch immer TomDLT geantwortet hat, kann es für einige von Ihnen nicht funktionieren, weil 

data1 = pd.DataFrame(data= np.c_[iris['data'], iris['target']],
                 columns= iris['feature_names'] + ['target'])

weil iris ['feature_names'] ein numpy-Array zurückgibt. In einem numpy-Array können Sie ein Array und eine Liste ['target'] nicht einfach mit dem Operator + hinzufügen. Daher müssen Sie es zuerst in eine Liste konvertieren und dann hinzufügen.

Du kannst tun 

data1 = pd.DataFrame(data= np.c_[iris['data'], iris['target']],
                 columns= list(iris['feature_names']) + ['target'])

Das wird gut funktionieren ..

Dieses Snippet ist nur syntaktischer Zucker , auf dem aufgebaut ist, was TomDLT und Rolyat bereits beigetragen und erklärt haben. Der einzige Unterschied wäre, dass load_iris ein Tuple anstelle eines Wörterbuchs zurückgibt und die Spaltennamen aufgezählt werden.

df = pd.DataFrame(np.c_[load_iris(return_X_y=True)])

Es könnte einen besseren Weg geben, aber das ist, was ich in der Vergangenheit gemacht habe und es funktioniert ganz gut:

items = data.items()                          #Gets all the data from this Bunch - a huge list
mydata = pd.DataFrame(items[1][1])            #Gets the Attributes
mydata[len(mydata.columns)] = items[2][1]     #Adds a column for the Target Variable
mydata.columns = items[-1][1] + [items[2][0]] #Gets the column names and updates the dataframe

Jetzt hat mydata alles, was Sie brauchen - Attribute, Zielvariable und Spaltennamen