1. 为什么load_boston被移除了？

如果你最近在用Python 3.11或者更高版本的scikit-learn做机器学习项目，可能会发现一个奇怪的现象：以前常用的 load_boston() 函数突然报错了。这不是你的代码写错了，而是scikit-learn在1.2版本中主动移除了这个函数。

背后的原因其实很有意思。波士顿房价数据集是机器学习领域最经典的数据集之一，从1978年发布以来一直被广泛使用。但近年来，数据科学社区发现这个数据集存在一个严重的伦理问题——它包含了一个名为"B"的变量，这个变量实际上反映了社区的种族构成比例。原始研究假设这个因素会影响房价，这种假设本身就带有种族歧视的色彩。

scikit-learn维护团队经过讨论后决定，除非是专门研究机器学习伦理问题的场景，否则不应该继续使用这个数据集。这也是为什么在1.2版本后，你直接调用 load_boston() 会收到一个明确的错误提示，而不是默默地加载数据。

2. 官方推荐的替代方案

既然官方不建议使用波士顿房价数据集了，那我们应该用什么数据来做回归分析的练习呢？scikit-learn官方文档给出了两个不错的替代选择：

2.1 加州房价数据集

这是scikit-learn现在主推的回归分析数据集，使用方法非常简单：

from sklearn.datasets import fetch_california_housing

housing = fetch_california_housing()
X = housing.data
y = housing.target

这个数据集包含了1990年加州人口普查中的房价信息，特点是：

• 样本量更大：20640条记录
• 特征更丰富：8个特征维度
• 没有伦理争议
• 数据更新：相比波士顿数据集晚了十几年

我实测下来发现，这个数据集做回归分析的效果其实比波士顿数据集更好，因为样本量更大，特征工程的空间也更广。

2.2 Ames房价数据集

如果你想要一个更接近波士顿数据集规模的选择，可以试试Ames数据集：

from sklearn.datasets import fetch_openml

housing = fetch_openml(name="house_prices", as_frame=True)

这个数据集包含了2011年爱荷华州Ames市的房价信息，特点是：

• 样本量适中：2930条记录
• 特征详细：80个特征维度
• 包含更多现代房屋特征
• 需要从OpenML平台下载

不过要注意，这个数据集返回的是Pandas DataFrame格式，如果你习惯用NumPy数组，需要额外做转换。

3. 如何继续使用波士顿数据集

我知道有些教学场景还是需要用到波士顿数据集，毕竟那么多教材和教程都是基于它写的。如果你确实需要使用这个数据集，官方也提供了从原始来源直接加载的方法：

import pandas as pd
import numpy as np

data_url = "http://lib.stat.cmu.edu/datasets/boston"
raw_df = pd.read_csv(data_url, sep="\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]

这段代码看起来有点复杂，我来解释下：

1. 数据来自卡内基梅隆大学的统计库
2. 原始数据是固定宽度的文本格式
3. 需要跳过前22行说明文字
4. 特征数据和目标值被交替存储，所以需要特殊处理

我建议把这部分代码封装成一个函数，方便重复使用：

def load_boston_alternative():
    data_url = "http://lib.stat.cmu.edu/datasets/boston"
    raw_df = pd.read_csv(data_url, sep="\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]
    return data, target

4. 不同方案的对比与选择

面对这么多选择，到底该用哪个呢？我整理了一个对比表格帮你决策：

方案	数据来源	样本量	特征数	伦理风险	加载速度	适用场景
原load_boston	sklearn内置	506	13	高	快(已移除)	不推荐
加州房价	sklearn内置	20640	8	无	快	推荐首选
Ames房价	OpenML	2930	80	无	慢(需下载)	复杂分析
原始URL	CMU统计库	506	13	高	中等	必须用原数据时

根据我的经验，如果是教学演示，加州房价数据集完全够用；如果是真实项目，Ames数据集可能更有价值；只有当你必须复现旧代码时，才考虑从原始URL加载波士顿数据。

5. 迁移现有代码的实用技巧

如果你手头已经有基于波士顿数据集的代码，迁移到新数据集需要注意几个关键点：

1. 特征名称变化：新数据集的列名完全不同，需要调整特征选择代码
2. 数据规模差异：加州数据集大了40倍，可能需要调整测试集比例
3. 数据分布不同：新数据的目标值范围需要重新探索
4. 模型评估标准：误差范围可能需要重新设定

这里提供一个迁移示例，把原来的波士顿代码适配到加州数据集：

# 原波士顿代码
from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression

boston = load_boston()
X, y = boston.data, boston.target
model = LinearRegression().fit(X, y)

# 迁移后的加州代码
from sklearn.datasets import fetch_california_housing

housing = fetch_california_housing()
X, y = housing.data, housing.target
model = LinearRegression().fit(X, y)

看起来改动不大，但实际使用中你可能需要：

• 调整可视化代码的坐标轴范围
• 修改特征工程的管道
• 重新调参优化模型

我在迁移自己的项目时发现，加州数据集对线性回归的挑战更大，因为特征间相关性更强，可能需要引入正则化。

6. 常见问题与解决方案

在实际操作中，你可能会遇到这些问题：

问题1 ：从原始URL加载的数据没有特征名怎么办？

解决方案：可以手动添加特征名列表：

feature_names = ['CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 
                 'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT']
df = pd.DataFrame(data, columns=feature_names)

问题2 ：加州数据集加载速度慢？

解决方案：第一次加载会下载约2MB的数据，可以缓存到本地：

from sklearn.datasets import fetch_california_housing
from joblib import Memory

memory = Memory(location='./cache')
fetch_california_housing_cached = memory.cache(fetch_california_housing)
housing = fetch_california_housing_cached()

问题3 ：Ames数据集太大，内存不够？

解决方案：可以只加载部分特征：

housing = fetch_openml(name="house_prices", as_frame=True)
selected_features = ['LotArea', 'OverallQual', 'YearBuilt', 'TotRmsAbvGrd']
X = housing.data[selected_features]
y = housing.target

7. 最佳实践建议

经过多次项目实践，我总结出几个经验：

1. 新项目一律使用加州或Ames数据集，避免伦理风险
2. 教学场景可以继续使用波士顿数据，但要说明其历史背景
3. 从原始URL加载时，建议添加异常处理：

try:
    raw_df = pd.read_csv(data_url, sep="\s+", skiprows=22, header=None)
except Exception as e:
    print(f"加载失败: {e}")
    # 备用方案
    data_url = "备用镜像URL"
    raw_df = pd.read_csv(data_url, sep="\s+", skiprows=22, header=None)

4. 对数据做探索性分析时，特别注意检查特征间的相关性
5. 考虑数据集的时效性，加州数据是1990年的，对现代房价预测可能不够准确

8. 更深入的数据探索

如果你不满足于基本用法，可以尝试这些进阶操作：

获取完整的数据描述 ：

print(housing.DESCR)  # 加州数据集
print(fetch_openml(name="house_prices", as_frame=True).DESCR)  # Ames数据集

转换为Pandas DataFrame并添加目标列 ：

df = pd.DataFrame(housing.data, columns=housing.feature_names)
df['MedHouseVal'] = housing.target

可视化特征分布 ：

import seaborn as sns
import matplotlib.pyplot as plt

sns.pairplot(df[['MedInc', 'HouseAge', 'AveRooms', 'AveBedrms', 'MedHouseVal']])
plt.show()

创建交互式可视化 ：

import plotly.express as px

fig = px.scatter_3d(df, x='MedInc', y='AveRooms', z='MedHouseVal',
                    color='HouseAge', opacity=0.7)
fig.show()

这些技巧能帮你更深入地理解数据，为后续建模打下更好基础。