from sklearn import datasets # 引入sklearn裏頭的資料集
data = datasets.load_boston() # 取得波士頓房價的數據
import pandas as pd # 引入Pandas，讓資料變得更好閱讀
# 將數據以改成DataFrame的方式呈現
df_data = pd.DataFrame(data.data, columns=data.feature_names)
作者是利用 資料集.data的方式，把資料來源裡的資料擷取出來並將其個別放在data、columns中。
在pd.DataFrame中，是具有撰寫規則、順序性的。這是pandas官網的詳細規則，由於data是排在第一位，所以可以不用指定；但columns就必須指定出來了。
好，現在資料集已經引用完畢，接下來可以開始查看內容~
我們在分析資料前，都必須先了解筆數以及欄位名稱的意義。
df_data.head() # 查看資料
df_data.info() # 詳細資料內容、屬性...etc
df_data.shape
df_data.head(): 這是可以指定要看前幾筆資料，若()內沒有數字，預設為5。
df_data.info(): 這能看到更詳細的資料，包含筆數、所有欄位名稱、資料類型
df_data.shape: 得知檔案大小，分別顯示(rows, columns)
| 代名詞 | 解釋 |
|---|---|
| CRI | 人均犯罪率 |
| ZN | 住商比 |
| 25,000平方英尺以上民用土地的比例 | |
| INDUS | 城鎮非零售業商用土地比例 |
| CHAS | 是否鄰近查爾斯河，1是鄰近，0是不鄰近 |
| NOX | 一氧化氮濃度（千萬分之一） |
| RM | 住宅的平均房間數 |
| AGE | 自住且建於1940年前的房屋比例 |
| DIS | 到5個波士頓就業中心的加權距離(距離上班點的距離) |
| RAD | 到高速公路的便利度指數 |
| TAX | 每萬元的房產税率 |
| PTRATIO | 城鎮學生教師比例(P/T ratio)，學區影響 |
| B | 1000(Bk − 0.63)2 其中Bk是城鎮中黑人比例 |
| LSTAT | 低收入人群比例 |
| ans | 自住房中位數價格，單位是千元 |
正確答案要在晚餐後