2.2　经典爱丽丝

Iris（爱丽丝）数据集是机器学习最经典的数据集，全称是安德森鸢尾花卉数据集，是统计学习的必备数据集，图2.1是爱丽丝数据集的特征分类图。

维基百科有专门的词条。

安德森鸢尾花卉数据集（Anderson's Iris data set），也称鸢尾花卉数据集（Iris flower data set）或费雪鸢尾花卉数据集（Fisher's Iris data set），是一类多重变量分析的数据集。它最初是埃德加·安德森从加拿大加斯帕半岛上的鸢尾属花朵中提取的地理变异数据，后由罗纳德·费雪作为判别分析的一个例子，并运用到统计学中。其数据集包含了50个样本，都属于鸢尾属下的三个亚属，分别是山鸢尾、变色鸢尾和维吉尼亚鸢尾。其4个特征被用作样本的定量分析，即花萼和花瓣的长度和宽度。基于这4个特征的集合，费雪发展了线性判别分析以确定其属种。

我们的目的就是通过编程，对这3种不同种类的爱丽丝植物的数据，采用专业的数据分析手段和人工智能算法，让程序自动判断植物的种类。

由于sklearn发布很早，当时还没有pandas等新一代数据分析软件，所以sklearn为了保证运行速度，直接使用NumPy模块库的ndarray多维数组作为数据源和内部的数据格式。

近几年发布的TensorFlow、MXNet等神经网络、深度学习平台，为了提高效率，在数据接口部分也直接使用NumPy模块库的ndarray多维数组格式。

不过NumPy模块库的ndarray多维数组是侧重性能的数据格式，在应用方面非常烦琐。

目前，随着pandas等新一代数据分析软件的普及和推广，以及一线开发人员对效率的考虑，越来越多的项目开始使用pandas的DataFrame数据框架作为数据保存格式，从而方便调试程序，交换数据。

本书的各个案例都是基于pandas优先的模式，尽量直接使用DataFrame数据框架作为程序中间数据，只是在必须使用NumPy模块库的ndarray多维数组格式时，才转换为相应的格式。

有关数据转换的细节，我们会在案例当中具体说明。全程采用pandas学习sklearn人工智能，方便初学者把握数据内部的结构和细节。

传统的sklearn人工智能文档，大部分直接采用NumPy数组模块，而NumPy是为了追求极限性能设计的模块库，很多算法函数非常复杂，不亚于汇编。

从某种程度上讲，绝大部分初学者的人工智能学习之路，在起步阶段就被NumPy这个模块库给吓退了。

本书全部采用现有的pandas命令，从数据源对sklearn进行整合，无须学习额外的语法，更加方便初学者入门。

案例2-1：经典爱丽丝

案例2-1的文件名是kb201_iris01.py，程序很简单，秉持着pandas优先的原则，只读取爱丽丝数据集当中的数据，并查看其中数据字段的内容。

第1组代码如下：

第1组代码，运行结果如下：

案例2-1看起来简单，其实做了很多小优化和修改，比如取消了原始的数据列名称，用x1～x4代替。一方面更加通用，另一方面，更加符合人工智能、机器学习的本质。

此外，从输出信息来看，统计命令如下：

在对应的输出信息当中没有xname的数据，因为xname字段是字符串，无法统计分析，需要先对其进行数字化处理，也就是常说的文字信息的矢量化运算。

第2组代码如下：

第2组代码当中的函数如下：

这是调用pandas的value_counts统计函数，用来查看xname数据的具体数据分布情况。

对于植物种类进行了简单的分类统计，共有3种，对应的输出信息如下：

由输出信息可以看出，3种植物名称分别是：山鸢尾（Iris setosa）、变色鸢尾（Iris versicolor）和维吉尼亚鸢尾（Iris virginica）。

案例2-2：爱丽丝进化与文本矢量化

案例2-2的文件名是kb202_iris02.py，将根据xname的植物名称，设置一个新的数据字段xid，来完成这个文本信息的矢量化工作。

下面我们分组逐一讲解。

第1组代码，读取Iris数据文件，并保存到df变量：

第2组代码，根据xname字段，按1、2、3分别设置xid字段，完成读取爱丽丝数据名称的矢量化操作。xid格式设置为int整数格式，并保存到文件iris2.csv中。

我们已经将iris2.csv文件复制到dat目录下，在后面的案例中，大家可以直接使用这个文件作为数据源：data/iris2.csv。

第3组代码，输出修改后的df数据信息：

对应的输出信息是：

第4组代码，输出xname方面的分类统计信息：

对应的输出信息是：

第5组代码，输出xid方面的分类统计信息：

对应的输出信息是：