数据挖掘常用公开数据集
数据挖掘的公开数据集资源非常丰富，覆盖多个领域（金融、医疗、社交网络、图像、文本等）。以下是一些方便实用且广泛认可的公开数据集平台和经典数据集，适合快速验证模型和项目实践：
一、综合数据集平台
-
Kaggle Datasets
🔗 Find Open Datasets and Machine Learning Projects | Kaggle-
特点：社区活跃，数据集附带代码案例（Notebooks），适合初学者。
-
实用数据集：
-
Titanic（分类预测） -
House Prices（回归预测） -
COVID-19 Open Research Dataset（文本挖掘）
-
-
-
UCI Machine Learning Repository
🔗 UCI Machine Learning Repository-
特点：学术经典，覆盖分类、回归、聚类等任务。
-
实用数据集：
-
Iris（分类，150条花卉数据） -
Wine（分类，葡萄酒成分） -
Adult（二分类，收入预测）
-
-
-
Google Dataset Search
🔗 https://datasetsearch.research.google.com-
特点：搜索引擎式查找，聚合全网开放数据集。
-
二、领域专项数据集
1. 金融与经济
-
Yahoo Finance
🔗 https://finance.yahoo.com-
股票、加密货币历史价格（支持API下载）。
-
-
World Bank Open Data
🔗 https://data.worldbank.org-
全球国家经济、人口、环境指标。
-
2. 社交网络与图数据
-
Stanford Large Network Dataset Collection
🔗 Stanford Large Network Dataset Collection-
实用数据集：
-
Facebook Social Circles（社交关系图） -
Amazon Product Co-purchasing（商品关联图）
-
-
3. 文本与 NLP
-
IMDB Movie Reviews
🔗 Kaggle链接-
5万条电影评论（情感分析经典）。
-
-
Common Crawl（海量网页文本）
🔗 https://commoncrawl.org
4. 图像与视频
-
CIFAR-10/100
🔗 官方下载-
6万张10类/100类小尺寸图像（物体识别）。
-
-
MNIST（手写数字识别）
-
入门必用，集成在
sklearn/TensorFlow中。
-
5. 时间序列
-
Air Passengers
-
经典航空乘客数据（1949-1960），内置在Python库
statsmodels中。
-
-
M4 Competition Data
🔗 https://github.com/Mcompetitions/M4-methods-
10万条时间序列（预测竞赛数据）。
-
三、政府与组织开放数据
-
中国政府开放数据平台
🔗 https://data.stats.gov.cn（国家统计局）-
经济、人口、区域统计数据。
-
-
NASA Open Data
🔗 https://data.nasa.gov-
卫星影像、气候数据。
-
-
European Union Open Data Portal
🔗 https://data.europa.eu
四、实用建议
-
选数据集看三点：
-
数据质量（是否清洗过）
-
任务匹配度（分类/回归/聚类）
-
数据规模（小样本练手 vs 大数据挑战）
-
-
快速调用方式：
Python库直接加载（示例）：
from sklearn.datasets import load_iris, fetch_california_housing
iris = load_iris() # 鸢尾花数据集
housing = fetch_california_housing() # 加州房价数据集附：5个最适合练手的经典数据集
| 数据集名称 | 领域 | 任务类型 | 数据量 | 获取方式 |
|---|---|---|---|---|
| Iris | 生物 | 多分类 | 150 | sklearn.datasets.load_iris |
| Titanic | 用户行为 | 二分类 | 891 | Kaggle |
| MNIST | 图像 | 多分类 | 70k | torchvision.datasets.MNIST |
| Wine Quality | 食品科学 | 回归/分类 | 4.9k | UCI 或 Kaggle |
| Spam SMS | NLP | 文本分类 | 5.5k | Kaggle链接 |
提示：优先选择预处理较完整的数据集（如Kaggle），避免时间浪费在数据清洗上。进阶场景可挑战非结构化数据（如爬虫获取的原始文本/图像）。