首先，我们需要先了解一下Sklearn数据集的格式。
Sklearn数据集一般会包含两个属性：data 和 target。其中，data 代表样本的特征数据，是一个二维的数组；target 代表样本的类别标签，是一个一维的数组。
将 Sklearn 数据集转换成 Pandas 数据框的过程可以分为以下三个步骤：
步骤一：导入所需要的库和数据集
首先，在 Python 中，我们需要导入以下的库：
import pandas as pd
from sklearn import datasets
然后，选择所需要的数据集，例如 iris 数据集：
iris = datasets.load_iris()
注意，这里导入的是 datasets 模块中的 load_iris() 方法。同时，我们将导入的数据集保存在变量 iris 中，以备下一步使用。
步骤二：建立 Pandas 数据框
接下来，我们可以使用 Pandas 中的 DataFrame() 方法，将 iris.data 和 iris.target 合并成一个 Pandas 数据框：
df = pd.DataFrame(data=iris.data, columns=iris.feature_names)
df['target'] = iris.target
这里，我们先使用 pd.DataFrame() 方法将 iris.data 转换成 Pandas 数据框格式。其中，data 参数代表传入的数据，columns 参数指定了列名。然后，在新建的数据框中，我们再添加一列 target，将 iris.target 的值附加到新建数据框的列中。
步骤三：保存 Pandas 数据框
最后，我们可以使用 Pandas 中的 to_csv() 方法将新建的数据框保存为 csv 文件：
df.to_csv('iris.csv', index=False)
其中，to_csv() 方法接收两个参数，第一个参数代表文件名，可以包含路径信息；第二个参数的默认值为 True，表示将 Pandas 数据框的索引也保存到文件中。这里我们将 index 设为 False，以避免保存索引。
综上，将 Sklearn 数据集转换为 Pandas 数据框的完整代码如下：
import pandas as pd
from sklearn import datasets
iris = datasets.load_iris()
df = pd.DataFrame(data=iris.data, columns=iris.feature_names)
df['target'] = iris.target
df.to_csv('iris.csv', index=False)
在这个例子中，我们选择了 iris 数据集，并将其转换成了 Pandas 数据框，并保存为 csv 文件 iris.csv。