X = load_boston().data y = load_boston().target

这两行代码是用于加载波士顿房价数据集的特征数据和标签数据，其中 X 存储的是特征数据，y 存储的是标签数据。可以使用以下代码来加载数据集：

from sklearn.datasets import load_boston
X, y = load_boston(return_X_y=True)

其中 `return_X_y=True` 表示同时返回特征数据和标签数据。

相关问题

boston=load_boston() X=boston.data y=boston.target feature_names=boston.feature_names print(X.shape) print(feature_names) df=pd.DataFrame(X,columns=feature_names) df['PRICE']=y print(df.head(10))

这段代码是用来加载波士顿房价数据集，并将数据集转化为DataFrame格式进行展示。首先，通过load_boston()函数加载波士顿房价数据集，其中X是数据集的特征，y是数据集的目标值。通过feature_names获取数据集的特征名。然后，使用DataFrame()函数将特征数据集X和目标值y转化为DataFrame格式，并将特征名feature_names作为DataFrame的列名。最后，添加一列名为'PRICE'的列，并将目标值y填充到该列中。使用head()函数展示DataFrame的前10行数据。

boston = load_boston() data = pd.DataFrame(boston.data, columns=boston.feature_names) target = pd.Series(boston.target, name='PRICE') df = pd.concat([data, target], axis=1)

这段代码使用了scikit-learn中的`load_boston()`函数来加载波士顿房价数据集。然后，将数据集中的特征值和目标变量分别赋值给`data`和`target`变量。接着，使用`pd.concat()`函数将特征值和目标变量合并到一起，并赋值给`df`变量，其中`axis=1`表示按列合并。最终，`df`变量就是包含所有特征值和目标变量的数据框。