UCI葡萄酒数据集完整加载流程教程

数据集介绍

UCI葡萄酒数据集是机器学习中常用的经典数据集，包含178个葡萄酒样本，每个样本有13个化学特征属性，分为3个不同的类别（1, 2, 3），对应意大利同一区域三种不同酒庄的葡萄酒。

环境准备

首先需要导入必要的Python库：

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']

数据加载与CSV文件解析

方法一：从UCI在线加载（推荐）

# 定义列名
column_names = ['Class label', 'Alcohol', 'Malic acid', 'Ash', 
               'Alcalinity of ash', 'Magnesium', 'Total phenols',
               'Flavanoids', 'Nonflavanoid phenols', 'Proanthocyanins',
               'Color intensity', 'Hue', 'OD280/OD315 of diluted wines', 'Proline']

# 从UCI服务器直接读取数据
df = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/wine/wine.data', 
                 header=None, names=column_names)

方法二：使用sklearn内置数据集

from sklearn.datasets import load_wine

# 使用sklearn内置的葡萄酒数据集
wine_data = load_wine()
df = pd.DataFrame(data=wine_data.data, columns=wine_data.feature_names)
df['Class label'] = wine_data.target

数据预览

查看数据集前5行

print("数据集前5行：")
print(df.head())

输出示例：

   Class label  Alcohol  Malic acid  Ash  ...  Color intensity  Hue  OD280/OD315 of diluted wines  Proline
0            1    14.23        1.71  2.43  ...             7.00  0.70                          1.56     1270
1            1    13.20        1.78  2.14  ...             6.10  0.65                          1.60     1190
2            1    13.16        2.36  2.67  ...             6.60  0.68                          1.58     1235

查看数据集后5行

print("\n数据集后5行：")
print(df.tail())

查看数据集基本信息

print("\n数据集形状：", df.shape)
print("\n数据集基本信息：")
print(df.info())
print("\n类别标签：", np.unique(df['Class label']))

统计分析

使用describe()函数分析数据统计特征

# 整体统计描述
print("整体统计描述：")
print(df.describe())

# 按类别分组统计
print("\n按类别分组的统计描述：")
print(df.groupby('Class label').describe())

describe()函数输出包含以下统计指标： - count: 非空值数量 - mean: 平均值 - std: 标准差 - min: 最小值 - 25%: 第一四分位数 - 50%: 中位数 - 75%: 第三四分位数 - max: 最大值

特定特征的详细分析

# 对酒精含量进行详细分析
alcohol_stats = df['Alcohol'].describe()
print("\n酒精含量的详细统计：")
print(alcohol_stats)

# 添加自定义统计量
print(f"\n酒精含量范围：{df['Alcohol'].max() - df['Alcohol'].min():.2f}")
print(f"酒精含量变异系数：{df['Alcohol'].std() / df['Alcohol'].mean():.4f}")

数据集划分（训练集/测试集）

基本划分方法

# 准备特征矩阵X和标签向量y
X = df.iloc[:, 1:].values  # 所有行，第1列到最后列（特征）
y = df.iloc[:, 0].values   # 所有行，第0列（类别标签）

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, 
                                                    test_size=0.3, 
                                                    random_state=0, 
                                                    stratify=y)

print(f"训练集大小：{X_train.shape}")
print(f"测试集大小：{X_test.shape}")
print(f"训练集类别比例：{np.unique(y_train, return_counts=True)}")
print(f"测试集类别比例：{np.unique(y_test, return_counts=True)}")

参数说明

• test_size=0.3: 测试集占总数据的30%（常见比例为60:40, 70:30或80:20）
• random_state=0: 设置随机种子确保结果可重现
• stratify=y: 保持训练集和测试集中各类别比例与原始数据集一致

进阶划分技巧

# 对于小数据集的更精细划分（训练集/验证集/测试集）
X_temp, X_test, y_temp, y_test = train_test_split(X, y, test_size=0.2, random_state=0, stratify=y)
X_train, X_val, y_train, y_val = train_test_split(X_temp, y_temp, test_size=0.25, random_state=0, stratify=y_temp)

print(f"进阶划分 - 训练集：{X_train.shape}, 验证集：{X_val.shape}, 测试集：{X_test.shape}")

完整示例代码

以下是整合所有步骤的完整代码：

# 导入所需库
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_wine

# 1. 数据加载
column_names = ['Class label', 'Alcohol', 'Malic acid', 'Ash', 
               'Alcalinity of ash', 'Magnesium', 'Total phenols',
               'Flavanoids', 'Nonflavanoid phenols', 'Proanthocyanins',
               'Color intensity', 'Hue', 'OD280/OD315 of diluted wines', 'Proline']

df = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/wine/wine.data', 
                 header=None, names=column_names)

# 2. 数据预览
print("=== 数据预览 ===")
print("前5行数据：")
print(df.head())
print("\n后5行数据：")
print(df.tail())
print(f"\n数据集形状：{df.shape}")
print(f"类别标签：{np.unique(df['Class label'])}")

# 3. 统计分析
print("\n=== 统计分析 ===")
print("整体统计描述：")
print(df.describe())

print("\n按类别统计描述：")
print(df.groupby('Class label').describe())

# 4. 数据集划分
X = df.iloc[:, 1:].values
y = df.iloc[:, 0].values

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0, stratify=y)

print("\n=== 数据集划分结果 ===")
print(f"训练集大小：{X_train.shape}")
print(f"测试集大小：{X_test.shape}")

# 验证类别比例保持一致性
train_counts = np.unique(y_train, return_counts=True)
test_counts = np.unique(y_test, return_counts=True)
print(f"训练集类别分布：{dict(zip(train_counts[0], train_counts[1]))}")
print(f"测试集类别分布：{dict(zip(test_counts[0], test_counts[1]))}")

注意事项

1. 数据规模考量：对于只有178个样本的小数据集，测试集比例不宜过大（通常20-30%）
2. 随机种子设置：设置random_state参数可确保每次划分结果一致，便于结果复现
3. 分层抽样：使用stratify=y参数确保类别比例一致，尤其对于不平衡数据集很重要
4. 数据完整性：在划分前确保数据已经过清洗，处理缺失值和异常值

通过本教程，您已经掌握了UCI葡萄酒数据集的完整加载流程，包括数据获取、解析、预览、统计分析和划分，为后续的机器学习模型训练奠定了基础。