本章我们将使用威斯康星乳腺癌（Breast Cancer Wisconsin）数据集进行讲解，此数据集共包含569个恶性或者良性肿瘤细胞样本。数据集的前两列分别存储了样本唯一的ID以及对样本的诊断结果（M代表恶性，B代表良性）。数据集的3～32列包含了30个从细胞核照片中提取、用实数值标识的特征，它们可以用于构建判定模型，对肿瘤是良性还是恶性做出预测。威斯康星乳腺癌数据集已经存储在UCI机器学习数据集库中，关于此数据集更多的信息请访问链接：https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+（Diagnostic）。
在本节，我们通过三个步骤来读取数据集，并将其划分为训练数据集和测试数据集。
1）使用pandas从UCI网站直接读取数据集：
2）接下来，将数据集的30个特征的赋值给一个NumPy的数组对象X。使用scikit-learn中的LabelEncoder类，我们可以将类标从原始的字符串表示（M或者B）转换为整数：
转换后的类标（诊断结果）存储在一个数组y中，此时恶性肿瘤和良性肿瘤分别被标识为类1和类0，我们可以通过调用LabelEncoder的transform方法来显示虚拟类标（0和1）：
3）在构建第一个流水线模型前，先将数据集划分为训练数据集（原始数据集80%的数据）和一个单独的测试数据集（原始数据集20%的数据）：