ium_464863/download_dataset.py

# Necessary imports
import pandas as pd
import kaggle
import sys
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler

# Download the dataset
kaggle.api.authenticate()
kaggle.api.dataset_download_files('uciml/breast-cancer-wisconsin-data', path='./datasets', unzip=True)

# Load the dataset
df = pd.read_csv('./datasets/data.csv', index_col='id')

# Drop the columns that are not necessary
df = df.drop(columns=['Unnamed: 32'])

# Check for CUTOFF parameter
if len(sys.argv) > 1:
    CUTOFF = int(sys.argv[1])
    df = df.iloc[:CUTOFF]

# Check for missing values
print(df.isnull().sum())

# Print the first 5 rows of the dataset
print(df.head())

# Convert the diagnosis column to binary
df['diagnosis'] = df['diagnosis'].map({'M': 1, 'B': 0})

# Normalize the dataset
scaler = MinMaxScaler()
df[df.columns[1:]] = scaler.fit_transform(df[df.columns[1:]])

# Split the dataset into training, validation and testing sets
df_train, df_val_test = train_test_split(df, test_size=0.2, random_state=1234)
df_val, df_test = train_test_split(df_val_test, test_size=0.5, random_state=1234)

# Datasets information
print(f"Cały zbiór: {df.shape[0]} wierszy, {df.shape[1]} kolumn")
print(f"Zbiór treningowy: {df_train.shape[0]} wierszy, {df_train.shape[1]} kolumn")
print(f"Zbiór walidacyjny: {df_val.shape[0]} wierszy, {df_val.shape[1]} kolumn")
print(f"Zbiór testowy: {df_test.shape[0]} wierszy, {df_test.shape[1]} kolumn")

# Datasets statistics
print(f"Statystyki całego zbioru:")
print(df.describe())

print(f"Statystyki zbioru treningowego:")
print(df_train.describe())

print(f"Statystyki zbioru walidacyjnego:")
print(df_val.describe())

print(f"Statystyki zbioru testowego:")
print(df_test.describe())

# Distribution of the target variable
print(f"Rozkład zmiennej docelowej w całym zbiorze:")
print(df['diagnosis'].value_counts())

print(f"Rozkład zmiennej docelowej w zbiorze treningowym:")
print(df_train['diagnosis'].value_counts())

print(f"Rozkład zmiennej docelowej w zbiorze walidacyjnym:")
print(df_val['diagnosis'].value_counts())

print(f"Rozkład zmiennej docelowej w zbiorze testowym:")
print(df_test['diagnosis'].value_counts())

# Save the datasets
df.to_csv('./datasets/data.csv')
df_train.to_csv('./datasets/train.csv')
df_val.to_csv('./datasets/val.csv')
df_test.to_csv('./datasets/test.csv')