Python機械学習クックブック

2章データのロード

レシピ2.0　はじめに

　どんな機械学習プロジェクトでも、生データをシステムに取り込むことが最初のステップとなる。生データはログファイルの場合もあるし、データセットファイルの場合もあるし、データベースの場合もある。さらに、1つではなく複数のデータソースからデータを取得したい場合も多い。本章のレシピでは、さまざまなデータソースからデータをロードする手法を紹介する。CSVファイルやSQLデータベースも対象となる。さらに、実験のために、望ましい性質を持つデータをシミュレーションで生成する方法も説明する。Pythonのエコシステムには、さまざまなデータロード手法が用意されているが、本章では、外部データの取り込みに関してはpandasライブラリの膨大なメソッド群を用い、シミュレーションデータの生成にはscikit-learn（オープンソースのPython上の機械学習ライブラリ）を用いる。

レシピ2.1　サンプルデータセットのロード

問題

　既存のサンプルデータセットをロードしたい。

解決策

　scikit-learnには、簡単に利用できる一般的なデータセットが多数用意されている。

# scikit-learnのdatasetsをロード
from sklearn import datasets

# digitデータセットをロード
digits = datasets.load_digits()

# 特徴量行列を作成
features = digits.data

# ターゲットベクトルを作成
target = digits.target

# 最初の観測値を表示
features[0]

array([ 0., 0., 5., 13., 9., 1., 0., 0., 0., ...