Day 05: 講解 Iris 資料並輸出成 CSV 檔案

Iris 資料集是機器學習中的經典範例，包含 150 筆樣本，每筆樣本有 4 個特徵，並且有 3 種不同的花卉分類。今天我們將深入講解這個資料集的內容，並將其輸出成 CSV 檔案。

1. 在自己的雲端建立資料夾並開啟 Colab

首先，在 Google 雲端硬碟中建立一個叫做 Iris 的資料夾。

接著，在資料夾中開啟一個 Google Colab 筆記本，並將其命名為 Iris_output。

第一段程式碼先寫入：

from google.colab import drive
drive.mount('/content/drive')

執行後點選 Connect，並點選全部打勾進行授權。

2. 載入 Iris 資料集

我們來載入 Iris 資料集，並檢視其結構：

from sklearn.datasets import load_iris
import pandas as pd

# 載入 Iris 資料集
iris = load_iris()

# 查看 Iris 資料集的描述
print(iris.DESCR)

這段程式碼會輸出 Iris 資料集的描述，包括資料集的背景資訊和各個特徵的簡介。

3. Iris 資料集的特徵介紹

Iris 資料集的每筆資料有 4 個特徵，分別是：

• sepal length (花萼長度)：以公釐計算的花萼長度
• sepal width (花萼寬度)：以公釐計算的花萼寬度
• petal length (花瓣長度)：以公釐計算的花瓣長度
• petal width (花瓣寬度)：以公釐計算的花瓣寬度

每筆資料都會根據這 4 個特徵進行測量，最終目的是預測花卉的種類。總共有 3 種花卉類別（target），分別是：

• 0：Setosa
• 1：Versicolor
• 2：Virginica

4. 將資料轉換為 Pandas DataFrame

為了更方便地檢視和操作資料，我們將 Iris 資料集轉換為 Pandas DataFrame 格式：

# 將資料轉換為 DataFrame
iris_df = pd.DataFrame(data=iris.data, columns=iris.feature_names)

# 加入 target 欄位
iris_df['target'] = iris.target

# 查看前幾筆資料
print(iris_df.head())

這樣，我們就可以清楚地看到每筆資料的特徵值及其對應的花卉類別。

5. 將資料輸出成 CSV 檔案

最後，我們將處理好的 Iris 資料集儲存為 CSV 檔案，方便後續的操作和分析：

# 將 CSV 檔案移動到 Google Drive
iris_df.to_csv('/content/drive/My Drive/Iris/iris_dataset.csv', index=False)

print("Iris 資料集已成功輸出成 CSV 檔案。")

這樣，你就可以在自己的資料夾中找到 iris_dataset.csv，並使用 Excel 或其他工具進行查看。

小結

今天我們介紹了 Iris 資料集的特徵，並進行了基本的資料處理。透過這個過程，我們可以更深入地理解資料集中的數據，並為後續的資料分析與機器學習模型建構打下基礎。