数据集 Data set

数据集（data set 或者 dataset）指数据的集合，一组数据。数据集是专门针对数据可视化和分析要求构建的自助数据模型。数据集可以基于一个表、电子表格或文件。或者，数据集还可以是一个包含多个表的自助数据模型，这些表之间定义了关系。数据集也可以是包含任意子文件夹和文件的存储文件夹。

在线数据集最简单、最常见的格式是电子表格或 CSV 格式——一个由行和列组成的表格。但有些数据集将以其他格式存储，它们不必只是一个文件。有时，数据集可能是包含多个数据表和相关数据的 zip 文件或文件夹。

在表格式的数据表中，一个数据集也就是一个或者多个数据库表格，这个表格中的列代表了特殊的变量，行与列对应。特定的数据集将每一个变量的值都列出来，像是对象的高度或者重量。每一个值都成为一个数据。数据集可以由一系列的文件组成。在开放数据的规定中，数据集是计量被放在公开数据库中信息量的单位。

一个数据集大致由两部分组成。这两个组件是行和列。此外，数据集的一个关键特征是，它的组织方式使每一行包含一个观测值。

数据集的属性

几个特点确定了数据集合的属性和结构，包括：变量的数量类型，不同的统计标准像是标准差和峰度。值在数据集中可以是实数，也可以是整数，像是人的身高可以用厘米衡量。也有可能值是一个标定数据，像是人的种族。更广义的说，值可以是任何一种测量标准。对于任意变量，值都是同一个概念。但是，也会有缺失值，这种情况就要说明了。

统计学中，数据集通常来自于观察抽样调查的数据整体，然后每一行都对应每一个数据样本的观察结果。数据集可以由算法生成，去测试某种软件。有一些现代化的统计分析像是SPSS仍然将他们的数据以数据集呈现。如果数据缺失或者有问题的话，可以用估算把空缺值填补上。

经典的数据集

有几个经典的数据集被广泛的应用在统计学文献里：

• 鸢尾属植物数据集（Iris flower data set）-由Ronald Fisher引入的多元数据集。
• 波士顿房价
• 泰坦尼克号生存情况
• MNIST数据库-手写体数字的图片，通常被用来测试分类、聚类分析和图像处理算法。

参考

• https://en.wikipedia.org/wiki/Data_set
• https://www.dataquest.io/blog/free-datasets-for-projects/
• https://towardsdatascience.com/what-is-a-data-set-9c6e38d33198

---