干货 | 从菜鸟到老司机，数据科学的 17 个必用数据集推荐

编者按：数据集可谓是数据科学的练兵场，不管是对菜鸟入门还是老司机上路，能找到一个好用的数据集无异于如虎添翼。以下是雷锋网整理编译的 17 个常用数据集，并列举了适用的典型问题，从菜鸟到老司机，总有一款适合你。

菜鸟入门

1. Iris 数据集

在模式识别文献中，Iris 数据集恐怕是最通用也是最简单的数据集了。要学习分类技术，Iris 数据集绝对是最方便的途径。如果你之前从未接触过数据科学这一概念，从这里开始一定没错，因为该数据集只有 4 列 150 行。

典型问题：在可用属性基础上预测花的类型。

2. 泰坦尼克数据集

泰坦尼克数据集也是全球数据科学殿堂中出镜率最高的数据集之一。借助一些教程和指导，泰坦尼克数据集可以让你深入了解数据科学。通过对类别、数字、文本等数据的结合，你能从该数据集中总结出最疯狂的想法。该数据集更重视分类问题，共有 12 列 891 行。

典型问题：预测泰坦尼克号上生还的幸存者人数。

3. 贷款预测数据集

在所有行业中，最为倚重数据分析技术的就是保险业。贷款预测数据集可以让保险公司对即将面对的挑战、选择的应对方式和影响有一个清晰的认识。与泰坦尼克数据集相同，它也是一个分类问题，该数据集共有 13 列 615 行。

典型问题：预测贷款申请能否得到批准。

4. 大市场销售数据集

零售业也是数据分析技术的重度使用者之一，它们可以利用分析数据来优化整个商业流程。利用数据科学技术，管理人员可以准确的完成产品分配、库存管理、供货和打包等复杂流程。这一数据集的名字已经透露出了它的属性，它就是商店的交易记录，主要解决回归问题。该数据集共有 12 列 8523 行。

典型问题：预测销售情况。

5. 波士顿数据集

该数据集也是模式识别文献中的典型数据集，该数据集得名是因为波士顿的房地产行业，同时它也是一个回归问题。该数据集共有 14 列 8506 行。因此，即使你手上的笔记本电脑性能较弱也能 Hold 住该数据集。

典型问题：预测房屋售价的中间值。

进阶级别

1. 人类活动识别

该数据集是由 30 个受试人智能手机内置的传感器收集的。许多机器学习课程中该数据集是学生联手的重要助手。该数据集属于多标记分类问题，共有 561 列 10299 行。

典型问题：预测人类活动的类别。

2. “黑五”数据集

该数据集主要是由零售店的交易记录组成的，它在数据集界资格很老，可以帮助商家了解自己商店每天的购物体验。“黑五”数据集也是个回归问题，它共有 12 列 550069 行。

典型问题：预测消费者购物量。 

3. 文本挖掘数据集

该数据集包含航空公司飞行数据中关于航空安全问题的报告，属于多标记分类的高维问题，雷锋网了解到它共有 30438 列 21519 行。

典型问题：根据标签为文档分类。

4. 访问历史数据集

该数据即来源于美国的一个单车分享服务，想掌握它，你必须拥有专业的数据整理技巧。该数据集 2010 年第四季度开始每季度都会总结出一个新文档，每个文档则拥有 7 列。它属于典型的分类问题。

典型问题：预测用户的类型。

5. 百万歌曲数据集

是不是觉得很新奇，原来这项技术还能用在娱乐业啊。该数据集能帮你完成回归问题，它包括 515345 个观察值和 90 个变量。不过，这还只是百万首歌曲数据库中的一个小子集。

典型问题：预测发行歌曲的最佳年份。

6. 人口收入数据集

该数据集属于非平衡数据分类和机器学习问题。众多周知，机器学习在解决非平衡问题上效果显著，它可以执行癌症和欺诈检测等任务。该数据集共有 14 列 48842 行。

典型问题：预测美国人的收入阶层。

7. 电影镜头数据集

利用该数据集，你能搭建一个推荐引擎。同时，该数据集也是数据科学行业的老兵之一，它可运用在许多领域。它数据相当庞大，共有 4000 部电影和 6000 多位用户发出的超过 100 万个评分。

典型问题：为用户推荐新电影。

老司机级别

1. 数字定义数据集

该数据集能让你学习、分析并认识图片中的各种元素，它就是相机中图片和面部识别的技术基础。该数据技术与数字识别问题，共有 28x28 大小的图片 7 千张，大小为 31MB。

典型问题：在图片中定义数字。

2. Yelp 数据集

该数据集诞生于著名的 Yelp 数据集挑战赛第 8 轮。它由 20 万张图片组称，3 个 json 文档的大小都达到了 2 GB。这些图片包含了 4 个不同国家 10 大城市本地企业的信息，你需要通过文化、季节、数据挖掘、社交图挖掘和类别推断等方式来洞察复杂的数据。

典型问题：从图片中找亮点。

3. ImageNet 数据集

ImageNet数据集可以运用在多种问题中，包括目标检测、定位、分类和屏幕解析。眼下，其图片引擎中共有 1419 万多张图片，容量达到了 140GB ，你可以任选图片并围绕其打造自己的项目。

典型问题：问题的解决要围绕下载的图片展开。 

4. KDD 1999 数据集

说到数据集，KDD Cup 这一大名可不能不提，它是世界上首个国际知识发现和数据挖掘竞赛。KDD 1999 数据集属于分类问题，它共包含 48 列和 400 万行，文档体积约为 1.2GB 。

典型问题：判断网络入侵探测器是否完成了任务。

5. 芝加哥犯罪数据集

如今，能否 Hold 住大型的数据集已经是检验数据专家是否合格的试金石了。许多数据分析公司不再依靠简单的模型，它们开始使用完整的数据。通过该数据集，你能掌握大量在自己电脑上分析大型数据集的经验。想解决这一问题不难，但学会数据管理并不容易。芝加哥犯罪数据集中共有 600 万个观察值，属于典型的多标记分类问题。

典型问题：预测犯罪的类型。

via  Analytics Vidhya

推荐阅读：

干货 | 如何从零学习人工智能？最好的资源都在这里了

神经网络初学者指南：基于Scikit-Learn的Python模块