Question

创建具有成千上万行数据的数据集，不需从零开始，从互联网上下载即可。我们要使用的第一个数据集是葡萄酒质量数据集，从 UCI 机器学习资料库中可以找到。第二个数据集是客户流失数据集，来自于几个数据分析博客。

7.1.1　葡萄酒质量

葡萄酒质量数据集包括两个文件，一个是红葡萄酒数据文件，另一个是白葡萄酒数据文件，白葡萄酒是著名的葡萄牙“Vinho Verde”葡萄酒的一个变种。红葡萄酒文件中包含 1599 条观测，白葡萄酒文件中包含 4898 条观测。两个文件中都有 1 个输出变量和 11 个输入变量。输出变量是酒的质量，是一个从 0（低质量）到 10（高质量）的评分。输入变量是葡萄酒的物理化学成分和特性，包括非挥发性酸、挥发性酸、柠檬酸、残余糖分、氯化物、游离二氧化硫、总二氧化硫、密度、pH 值、硫酸盐和酒精含量。

这两个数据集可以通过以下的 URL 下载：

· 红葡萄酒（http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-red.csv）

· 白葡萄酒（http://archive.ics.uci.edu/ml/machine-learning-databases/wine-quality/winequality-white.csv）

我们不对这两个数据集分别进行分析，而是将它们合成了一个数据集。当你将红葡萄酒数据和白葡萄酒数据合成一个文件后，结果数据集中应该包括一个标题行和 6497 条观测。另外，还应该再添加一列，用来区分这行数据是红葡萄酒还是白葡萄酒的数据。我们要使用的数据集如图 7-1 所示（请注意左侧的行号和第 A 列中新加的“type”变量）。

图 7-1：将红葡萄酒数据和白葡萄酒数据连接后的数据集，新增一列 type，表示这行数据来自于哪个数据集

7.1.2　客户流失

客户流失数据集是一个包含 3333 条观测的文件，其中的观测是电信公司现有的和曾经的客户。这个文件有 1 个输出变量和 20 个输入变量。输出变量 Churn? 是一个布尔型变量（True/False），表示在数据收集的时候，客户是否已经流失（是否还是电信公司的客户）。

输入变量是客户的电话计划和通话行为的特征，包括状态、账户时间、区号、电话号码、是否有国际通话计划、是否有语音信箱、语音信箱消息数量、白天通话时长、白天通话次数、白天通话费用、傍晚通话时长、傍晚通话次数、傍晚通话费用、夜间通话时长、夜间通话次数、夜间通话费用、国际通话时长、国际通话次数、国际通话费用和客户服务通话次数。

这个数据集可以在 Churn（https://raw.githubusercontent.com/EricChiang/churn/master/data/churn.csv）下载。

客户流失数据集如图 7-2 所示。

图 7-2：客户流失数据集的头部和尾部