如何批量向sklearn diabetes数据集追加数千行合成数据？

方法1：使用NumPy合并（原生兼容sklearn数据集格式） #

sklearn Diabetes数据集的data和target本身就是NumPy数组，直接用np.concatenate即可实现批量合并，步骤简单高效：

import numpy as np
from sklearn.datasets import load_diabetes

# 加载原Diabetes数据集
diabetes = load_diabetes()
original_data = diabetes.data
original_target = diabetes.target

# 假设你已准备好合成数据：synth_data（3500行特征矩阵）、synth_target（3500行目标数组）
# 需保证synth_data列数与原数据一致（10列），synth_target为一维数组

# 批量合并特征矩阵
combined_data = np.concatenate([original_data, synth_data], axis=0)
# 批量合并目标数组
combined_target = np.concatenate([original_target, synth_target], axis=0)

# 可选：将合并后的数据放回原数据集对象
diabetes.data = combined_data
diabetes.target = combined_target
# 验证行数：原450行 + 3500行 = 3950行
print(diabetes.data.shape)  # 输出应为 (3950, 10)

方法2：使用Pandas合并（直观易检查） #

如果习惯用DataFrame操作，可以先将数据转成DataFrame合并，再转回NumPy数组适配sklearn接口：

import pandas as pd
from sklearn.datasets import load_diabetes

# 加载原数据集并转为DataFrame
diabetes = load_diabetes()
original_df = pd.DataFrame(diabetes.data, columns=diabetes.feature_names)
original_df['target'] = diabetes.target

# 假设你已将合成数据转为DataFrame：synth_df（包含10个特征列+1个target列）
# 需保证synth_df的列名、数据类型与原DataFrame完全匹配

# 批量合并DataFrame
combined_df = pd.concat([original_df, synth_df], ignore_index=True)

# 转回NumPy数组（适配sklearn）
combined_data = combined_df.drop('target', axis=1).values
combined_target = combined_df['target'].values

# 可选：替换原数据集的数据
diabetes.data = combined_data
diabetes.target = combined_target
print(diabetes.data.shape)  # 输出 (3950, 10)

关键注意事项 #

• 确保合成数据的特征列数、数据类型与原数据集完全一致（原数据为float64类型）
• 合并后通过shape属性验证行数是否符合预期（450+3500=3950）
• 若合成数据来自外部文件，读取时需避免引入额外索引或无关列

内容的提问来源于stack exchange，提问作者G. D'Seas