Como carregar conjuntos de dados de amostra em Python

Nesta postagem, veremos como carregar conjuntos de dados de amostra em Python. Isso pode não parecer o tópico mais glamoroso, mas na verdade é muito importante. Idealmente, você terá alguns conjuntos de dados em Python com os quais poderá praticar quando estiver aprendendo novos conceitos. Você pode assistir ao vídeo completo deste tutorial na parte inferior deste blog.

Se você for compartilhar seu código , documentar o que fez ou precisar de ajuda , é realmente uma boa ideia usar um conjunto de dados geralmente disponível para construir algo que é chamado de exemplo minimamente reproduzível .

Você terá um código ou script pré-empacotado que outra pessoa na Internet pode executar e ajudá-lo. Se você não produzir esses exemplos minimamente reproduzíveis , será criticado em lugares como Stack Overflow, o que pode ser um pouco chocante se você não estiver familiarizado com ele.

Vejamos algumas maneiras de criar esses exemplos minimamente reproduzíveis e obter os conjuntos de dados. Existem alguns pacotes que você pode usar para carregar um conjunto de dados pré-fabricado no Python e compartilhar esse código.

Veremos três pacotes que são os mais comuns. Vamos iniciar um notebook Jupyter em branco e começar.

Índice

• Carregar conjuntos de dados em Python do Sklearn
• Carregar conjuntos de dados em Python a partir de conjuntos de dados Vega
• Carregar conjuntos de dados em Python de Seaborn
• Conclusão

Carregar conjuntos de dados em Python do Sklearn

O primeiro que veremos é chamado Sklearn . Se você estiver usando o Anaconda, não precisará fazer o download. Se você quiser mais ajuda com o Python, o LuckyTemplates tem um no qual você pode se inscrever.

Vou assumir que você já sabe sobre coisas como pacotes e partir daí. Vamos trazer pandas e Sklearn, especificamente o submódulo do conjunto de dados.

Vamos trazer alguns desses conjuntos de dados. Scikit-learn – uma biblioteca de dados de aprendizado de máquina – os chama de conjuntos de dados de brinquedo. Vamos carregar Boston, que é um conjunto de dados de preços de imóveis. Quando trazemos isso, precisamos tê-lo como um quadro de dados.

Precisamos realmente especificar que os dados e as colunas vêm do conjunto de dados Scikit-learn e separar as variáveis ​​de recurso e as variáveis ​​de destino.

Vamos colocar isso como um quadro de dados para que possamos operar e fazer coisas diferentes com ele. O Panda é um ótimo pacote para ser conhecido como usuário do LuckyTemplates.

Carregar conjuntos de dados em Python a partir de conjuntos de dados Vega

Outra opção que podemos aprender é o pacote de conjuntos de dados Vega. Este não está disponível no Anaconda, mas podemos instalá-lo através do PIP. Isso é o que digitaremos na linha de comando para instalar os conjuntos de dados Vega e para instalar ou importar o módulo de dados local.

Alguns deles você pode realmente obter, mas precisará de uma conexão com a web. Traremos os que são instalados localmente importando dados locais e executando-os.

Como você pode ver, existem alguns conjuntos de dados. Algumas delas são séries temporais, enquanto outras têm variáveis ​​categóricas ou contínuas. Vamos escolher o conjunto de dados dos carros em um quadro de dados para que possamos executar o método head nele.

Agora, temos outro conjunto de dados de amostra que podemos usar e compartilhar.

Carregar conjuntos de dados em Python de Seaborn

Seaborn é outro pacote disponível na distribuição do Anaconda. Por padrão, o Seaborn é mais conhecido pela visualização de dados, mas também possui alguns conjuntos de dados de amostra excelentes que você pode usar. Isso é o que digitaremos para obter conjuntos de dados.

Como você pode ver, existem alguns conjuntos de dados aqui. Iremos em frente e usaremos o conjunto de dados dos pinguins e obteremos as primeiras linhas novamente.

O resultado é outro conjunto de dados para praticarmos.

A ideia aqui não é apenas ter os conjuntos de dados para praticar. Se estivermos vendo alguns valores ausentes, tendo problemas para descartar conjuntos de dados, querendo preencher a variável categórica ou mostrando um exemplo para outras pessoas sem fornecer alguns dados confidenciais, basta usar um desses conjuntos de dados acessíveis ao público que são muito, muito fáceis para as pessoas usarem e compartilharem. Essa é a ideia de um exemplo minimamente reproduzível.

LuckyTemplates com script Python para criar tabelas de datas
Python no LuckyTemplates: como instalar e configurar
o Python I para usuários do LuckyTemplates – Novo curso na plataforma educacional LuckyTemplates

Conclusão

Para recapitular, há três locais para procurar conjuntos de dados de amostra. O Scikit-learn é um pacote de aprendizado de máquina. É um pouco mais difícil de converter, mas se você estiver fazendo coisas relacionadas ao aprendizado de máquina, este é o lugar certo. Os conjuntos de dados Vega também possuem um bom número de conjuntos de dados, especialmente se você usar o método para obter conjuntos de dados da web, mas é relativamente mais difícil de carregar, então você só precisa usar o PIP em vez de tê-lo pré-instalado com o Anaconda. Seaborn é o ponto ideal porque carrega o quadro de dados e tem muita versatilidade quando se trata de usar conjuntos de dados de amostra e exemplos reproduzíveis.

O Stack Overflow também possui um tutorial sobre como escrever um bom exemplo minimamente reproduzível ou MRE, portanto, verifique se deseja postar algo online.

Saber onde obter bons conjuntos de dados e compartilhar um bom MRE é uma habilidade muito importante para se ter como analista.

Se você gostou do conteúdo abordado neste tutorial específico, assine o canal de TV LuckyTemplates. Temos uma grande quantidade de conteúdo sendo publicado o tempo todo, meu e de vários criadores de conteúdo – todos dedicados a melhorar a maneira como você usa o LuckyTemplates e a Power Platform.