Python导入iris数据集

可以使用scikit-learn库中的datasets模块导入iris数据集。具体代码如下：

from sklearn.datasets import load_iris

iris = load_iris()
X = iris.data # 特征矩阵
y = iris.target # 目标向量

这里`X`表示特征矩阵，`y`表示目标向量，可以根据需要进行使用。

相关问题

python导入iris数据用随机森林预测后画AUC曲线代码

以下是 Python 导入 iris 数据，用随机森林预测并画 AUC 曲线的代码，供参考：

from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt

# 导入 iris 数据集
iris = load_iris()
X = iris.data
y = iris.target

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

# 随机森林分类
rf = RandomForestClassifier(n_estimators=100)
rf.fit(X_train, y_train)
y_pred_prob = rf.predict_proba(X_test)[:, 1]

# 计算 AUC 值并画 ROC 曲线
fpr, tpr, thresholds = roc_curve(y_test, y_pred_prob)
roc_auc = auc(fpr, tpr)
plt.plot(fpr, tpr, lw=1, label='ROC (auc = %0.2f)' % (roc_auc))
plt.plot([0, 1], [0, 1], '--', color=(0.6, 0.6, 0.6), label='Luck')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver operating characteristic (ROC) curves')
plt.legend(loc="lower right")
plt.show()

注意：本代码仅供参考，请根据具体情况进行适当修改。

如何导入iris数据集

要导入iris数据集，可以使用scikit-learn库中的`load_iris`函数。下面是导入iris数据集的代码示例：

from sklearn.datasets import load_iris

# 导入iris数据集
iris = load_iris()

# 获取特征数据
X = iris.data

# 获取标签数据
y = iris.target

在上述代码中，首先使用`load_iris`函数导入iris数据集，并将其赋值给变量`iris`。然后，可以通过`iris.data`获取特征数据，通过`iris.target`获取标签数据。最后，将特征数据赋值给变量`X`，将标签数据赋值给变量`y`。

导入iris数据集后，可以根据需要进行数据分析、机器学习或其他相关任务。