用于加载各种机器学习数据集的 Python API_编程设计

有人有 Python API 来获取各种 ML 数据集吗

X, Y, info = mldata.load( name, db=, verbose= ) 
X: N x dim data, a NumPy array 
Y: N, ints for class numbers or None 
info: a dict with ...

我更喜欢直接使用 NumPy 的 Python，但是如果 Rpy 函数可以获取数据，那可能没问题 (抱歉，不要说太多 R)。

对于“db”，平面文件就可以了，比如

#! http://archive.ics.uci.edu/ml/machine-learning-databases 
# ncol  nrow  nclass  year  name               etc. 
  3  2858  2  2008   "Character+Trajectories"  Time-Series     Classification, Clus 
  4   150  2  1988   "Iris"    Multivariate    Classification  Real 
  8   768  2  1990   "Pima+Indians+Diabetes"   Multivariate    Classification  Inte 
...

为什么只是平面文件而不是“真正的”数据库？因为我可以下载它们一次，然后以接近 0 的努力浏览、排序、awk 它们；其他人可能更喜欢花哨的搜索引擎。

我不关心数据是存储在本地还是通过网络加载。 (两者都执行，env MLDATAPATH = ( local dir ... url ... ) )？

(对于具有统一名称和统一数据的站点来说，基本的 API 应该是微不足道的，但统一例如uci/ml 看起来像是很多枯燥的工作。)

请您参考如下方法:

来自 Scikits.learn 的人们在 Scikits.learn examples 中解决了这个问题

不过，数据集有各种形状和大小，因此它们确实有用于处理每个数据集的自定义代码。 (如果您只有 CSV 或 ARFF 格式的数据集，而不是灰度图像等等，情况就会有所不同。