前言
昨天完成了開發環境建置，今天我們要開始準備邏輯迴歸的資料。首先從網路下載範例資料檔案，然後導入 Jupyter Notebook，進行初步檢視與簡單視覺化（資料視覺化：將數據以圖形方式呈現，方便快速了解資料分布與趨勢），為後續模型訓練做好準備。

一、下載範例資料

1. 選擇範例資料來源
   常見的機器學習練習資料來源有：

• Kaggle：最大型的資料科學平台，提供各種公開資料集

• UCI Machine Learning Repository：歷史悠久的經典資料庫

這裡我們選擇 Kaggle 的乳癌資料集（Breast Cancer Dataset） 作為範例。

2. 使用 KaggleHub 套件下載
   Kaggle 提供 API 與工具下載資料集，我們這裡示範用 kagglehub 套件：

pip install kagglehub

import kagglehub

# Download latest version
path = kagglehub.dataset_download("yasserh/breast-cancer-dataset")

print("Path to dataset files:", path)

執行後會顯示下載完成的路徑

二、讀取資料

下載好資料後，可以透過 pandas 輕鬆讀取：

pip install pandas

import pandas as pd

# 讀取 CSV 檔案
df = pd.read_csv("breast-cancer.csv")  # 因為同資料夾，只要寫檔名即可

# 查看前 5 筆資料
print(df.head())

輸出會顯示前幾筆資料，幫助我們快速確認欄位與資料內容。

三、初步檢視資料

讀取後，可以先做基本的資料探索：

# 檢視資料形狀（筆數、欄位數）
print("資料維度：", df.shape)

# 檢視欄位名稱與型態
print(df.info())

# 檢視統計摘要
print(df.describe())

這些資訊能幫助我們了解資料集是否乾淨、是否有缺失值（Missing Value：指資料中缺少的觀測值），以及哪些欄位可能與預測目標有關。

四、簡單視覺化

在機器學習中，先對資料做視覺化能幫助我們快速了解特徵分布（Feature，指用來預測目標欄位的欄位）與目標類別（Target / Label，模型要預測的結果）差異。這裡我們使用兩個常用套件：

• matplotlib.pyplot：最基本的繪圖工具，可以畫折線圖、長條圖、散佈圖等
• seaborn：基於 matplotlib 的進階套件，語法簡單，容易畫出美觀統計圖表
  首先，我們可以觀察目標欄位 diagnosis 的類別分布：

pip install matplotlib

pip install seabornb

import matplotlib.pyplot as plt
import seaborn as sns

# 設定中文顯示（Windows）
#這段程式碼用於避免中文或負號顯示錯亂，Windows 使用者建議加入。
plt.rcParams['font.sans-serif'] = ['Microsoft JhengHei']
plt.rcParams['axes.unicode_minus'] = False

# 目標欄位 diagnosis 分類數量
sns.countplot(x="diagnosis", data=df)
plt.title("乳癌資料集類別分布")
plt.xlabel("類別")
plt.ylabel("數量")
plt.show()

• sns.countplot()：計算並畫出每個類別的數量，快速了解資料中良性與惡性腫瘤的比例
  在乳癌資料集（Breast Cancer Dataset）中，diagnosis 欄位是目標欄位（Target），用來標示腫瘤的類別：
• M = Malignant（惡性腫瘤）：會快速生長並可能擴散，需要及時治療
• B = Benign（良性腫瘤）：不會擴散，一般不具威脅性

所以在 sns.countplot() 的圖表中：

• B 的長條高度表示良性腫瘤的樣本數
• M 的長條高度表示惡性腫瘤的樣本數
  

五、名詞解釋

1. 資料視覺化（Data Visualization）
   資料視覺化是將數據以圖形化方式呈現的過程，例如長條圖、散佈圖、折線圖等。透過視覺化，我們能快速了解資料的分布、趨勢與異常值，比單純看表格更直覺。在本文中，我們使用 matplotlib 和 seaborn 將乳癌資料集中不同類別的腫瘤數量繪製成長條圖。

2. 缺失值（Missing Value）
   缺失值是資料集中缺少的觀測值或資料點，可能因為測量錯誤、遺漏填寫等原因造成。例如，如果某筆乳癌資料缺少 radius_mean 的數值，就稱該欄位有缺失值。缺失值可能影響模型訓練效果，因此需要在資料清理階段進行處理，如刪除含缺失值的資料或用平均值/中位數填補。

3. 目標欄位 / 目標變數（Target / Label）
   目標欄位是模型要預測的結果，在分類問題中就是每筆資料的類別。在乳癌資料集中，diagnosis 欄位就是目標欄位，用來判斷腫瘤是良性（B）還是惡性（M）。

4. 特徵欄位（Feature / Attribute）
   特徵欄位是用來預測目標欄位的資料屬性，例如乳癌資料集中的 radius_mean、texture_mean 等數值特徵。特徵欄位提供模型訓練所需的訊息，影響預測準確度。

5. 資料維度（Shape / Dimension）
   資料維度指的是資料的行數與列數。在 Pandas 中可以透過 df.shape 查看，例如 (569, 32) 表示有 569 筆資料、32 個欄位。

6. 統計摘要（Statistical Summary）
   統計摘要提供資料集中數值欄位的基本統計資訊，如平均值（mean）、標準差（std）、最大值（max）、最小值（min）等。在 Pandas 中用 df.describe() 可以快速查看，有助於了解資料分布與離群值。

7. 良性（Benign, B）與惡性（Malignant, M）
   這是乳癌資料集中的類別標籤：

• B（Benign）：良性腫瘤，不會擴散，一般不具威脅性。
• M（Malignant）：惡性腫瘤，會快速生長並可能擴散，需要及時治療。

小結
今天我們完成了邏輯迴歸資料準備的前置作業，包括下載範例資料、讀取資料、初步檢視，以及簡單的資料視覺化。透過這些步驟，我們已經對乳癌資料集的結構、特徵分布及目標類別有了基本認識。
資料視覺化不僅能幫助我們快速了解資料，還能在後續特徵工程與模型訓練中提供重要參考。掌握這些基礎操作後，我們就能順利進入下一步：特徵處理與邏輯迴歸模型的建立與訓練。
後續章節中，我們將學習如何將資料轉換成模型可接受的格式，並使用邏輯迴歸進行分類預測。