调用sklearm中波士顿房价数据集

在scikit-learn库中，波士顿房价数据集是一个经典的回归任务示例，它包含了马萨诸塞州波士顿市区1970年代中期的房屋价格信息以及相关的特征描述。要加载这个数据集并进行分析，你可以按照以下步骤操作：

1. 导入所需库：

from sklearn.datasets import load_boston
import pandas as pd

2. 加载数据集：

boston = load_boston()

`load_boston()`函数会返回一个名为`BostonDataname`的对象，包含数据集和一些元数据。

3. 获取数据：

data = boston.data
target = boston.target
feature_names = boston.feature_names

`data`变量存储了特征数组，`target`存储了对应的房屋价格，`feature_names`则列出了每个特征的名称。

4. 将数据转换成pandas DataFrame（如果需要）：

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

现在你有了一个DataFrame，便于进一步的数据探索、可视化和模型训练。

5. 分割数据集（如需做训练集和测试集）：

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(data, target, test_size=0.2, random_state=42)

6. 使用波士顿房价数据集训练机器学习模型（例如线性回归模型）：

from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X_train, y_train)