from sklearn.datasets import load_boston

报错

ImportError: 
`load_boston` has been removed from scikit-learn since version 1.2.

原因是：

因为数据集涉及种族问题，所以在sklearn 1.2版本中被移除。

解决方法其实在报错的地方就给了：

import numpy as np
import pandas as pd

data_url = "http://lib.stat.cmu.edu/datasets/boston"
raw_df = pd.read_csv(data_url, sep=r"\s+", skiprows=22, header=None)
data = np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]])
target = raw_df.values[1::2, 2]

其中data就是这个数据集(除了最后一列)，如下：

[[6.3200e-03 1.8000e+01 2.3100e+00 ... 1.5300e+01 3.9690e+02 4.9800e+00]
 [2.7310e-02 0.0000e+00 7.0700e+00 ... 1.7800e+01 3.9690e+02 9.1400e+00]
 [2.7290e-02 0.0000e+00 7.0700e+00 ... 1.7800e+01 3.9283e+02 4.0300e+00]
 ...
 [6.0760e-02 0.0000e+00 1.1930e+01 ... 2.1000e+01 3.9690e+02 5.6400e+00]
 [1.0959e-01 0.0000e+00 1.1930e+01 ... 2.1000e+01 3.9345e+02 6.4800e+00]
 [4.7410e-02 0.0000e+00 1.1930e+01 ... 2.1000e+01 3.9690e+02 7.8800e+00]]

target是数据集最后一列。太长了，这里不予展示全部：

24.  21.6 34.7 33.4 36.2 28.7 22.9 27.1 16.5 18.9 15.  18.9 21.7 20.4
 18.2 19.9 23.1 17.5 20.2 18.2 13.6 19.6 15.2 14.5 15.6 13.9 16.6 14.8..........

代码解释：

data是一个NumPy数组，是通过水平叠加（np.hstack）raw_df 中的数据而创建的。在这个操作中，选择了raw_df 中的奇数行（raw_df.values[::2, :]）和偶数行的前两列（raw_df.values[1::2, :2]）并将它们水平叠加在一起。

target是一个NumPy数组，它由raw_df 中的偶数行的第三列（raw_df.values[1::2, 2]）组成。这通常表示目标或标签数据，用于监督学习任务，如回归分析。在这里，target 包含了原始数据集中每两行的第三列数据。 

data包含了特征数据，而 target 包含了目标数据。

数据集部分截图：

可以通过以下网址之一获得这个数据集：

http://lib.stat.cmu.edu/datasets/boston

https://archive.ics.uci.edu/ml/machine-learning-databases/housing/housing.data

数据集描述：

描述：提供了与波士顿地区不同社区相关的一些特征，以及这些社区的房价中位数。

目的：房价预测。评估各种回归算法，如线性回归、决策树回归、随机森林回归等，以了解不同特征如何影响房价，以及如何建立准确的房价预测模型。

规格：data(506, 13)   target(506,)

14个属性的描述：

1- CRIM     犯罪率；per capita crime rate by town
2- ZN       proportion of residential land zoned for lots over 25,000 sq.ft.
3- INDUS    非零售商业用地占比；proportion of non-retail business acres per town
4- CHAS     是否临Charles河；Charles River dummy variable (= 1 if tract bounds river; 0 otherwise)
5- NOX      氮氧化物浓度；nitric oxides concentration (parts per 10 million)
6- RM       房屋房间数；average number of rooms per dwelling
7- AGE      房屋年龄；proportion of owner-occupied units built prior to 1940
8- DIS      和就业中心的距离；weighted distances to five Boston employment centres
9- RAD      是否容易上高速路；index of accessibility to radial highways
10- TAX      税率；full-value property-tax rate per $10,000
11- PTRATIO  学生人数比老师人数；pupil-teacher ratio by town
12- B        城镇黑人比例计算的统计值；1000(Bk - 0.63)^2 where Bk is the proportion of black people by town
13- LSTAT    低收入人群比例；% lower status of the population
14- MEDV     房价中位数；Median value of owner-occupied homes in $1000's

23.10.25更新：

导入数据集的方法：

boston = np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :3]])
print(boston.shape)

输出(506, 14)

PCA与属性子集的选择：

import numpy as np
import pandas as pd
from sklearn.feature_selection import RFE
from sklearn.linear_model import LinearRegression
from sklearn.decomposition import PCA

data_url = "http://lib.stat.cmu.edu/datasets/boston"
raw_df = pd.read_csv(data_url, sep=r"\s+", skiprows=22, header=None)  # 跳过了文件的前22行，没有使用文件的第一行作为列名

# data包含了特征数据，而target包含了目标数据。
# 因为原数据集是从23行开始，每两行对应一行的数据。
# 所以data选择raw_df中的奇数行（raw_df.values[::2, :]）和偶数行的前两列（raw_df.values[1::2, :2]）
data = np.hstack([raw_df.values[::2, :], raw_df.values[1::2, :2]])
# target由raw_df 中的偶数行的第三列（raw_df.values[1::2, 2]）组成
target = raw_df.values[1::2, 2]
print(data.shape)

pca = PCA()
pca.fit(data)
print(pca.explained_variance_ratio_)  # 输出方差百分比

pca = PCA(3)
pca.fit(data)
low_d = pca.transform(data)  # 降维
print(low_d.shape)

names = ["CRIM", "ZN", "INDUS", "CHAS", "NOX", "RM", "AGE", "DIS", "RAD", "TAX", "PTRATIO", "B", "LSTAT", "MEDV"]
IR = LinearRegression()
rfe = RFE(IR, n_features_to_select=1)
rfe.fit(data, target)
print(sorted(zip(map(lambda x: round(x, 4), rfe.ranking_), names)))

至此就over了，至于对此数据集的研究，请参考其他文章了~