自定义博客皮肤VIP专享

*博客头图：

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览 取消 提交

自定义博客皮肤

-+
上一步保存

licy__的博客

  • 博客(136)
  • 资源 (33)
  • 收藏
  • 关注
排序：
按最后发布时间
按访问量
RSS订阅

原创 奥运会数据分析，奥林匹克数据分析并绘图，python数据分析绘图，期末大作业项目

目录设置Python环境查看输入目录中的文件加载并查看数据集计算不重复活动次数根据活动特定的身高-体重平均值填充缺失值处理年龄列中的缺失值删除奖牌列中的缺失值数据可视化年龄的箱形图城市频率的条形图奖牌频率的条形图季节频率的条形图性别身高体重的散点图​编辑不同奖牌获得者的身高体重分布按季节划分的年龄分布箱形图按性别划分的体重分布（按季节）部分运行截图：以下为部分代码示例以及运行截图：完整代码以及数据集在以下

2025-01-14 15:44:19 1184

原创 Vue 3 中 watch 监控的详细介绍

Vue.js 是一个用于构建用户界面的渐进式 JavaScript 框架，它提供了多种机制来响应数据的变化。在 Vue 3 中，watch是一个特别有用的选项，它允许你监听特定的数据属性，并在这些属性发生变化时执行自定义逻辑。本文将详细介绍 Vue 3 中watch的用法、工作原理以及一些最佳实践，并通过具体的代码示例帮助你更好地掌握这一功能。watchwatch选项用于定义一个或多个观察者（watcher），它们会监视指定的数据属性的变化。

2024-12-19 08:58:42 1622

原创 Vue 2 中 watch 监控的详细介绍

Vue.js 是一个用于构建用户界面的渐进式 JavaScript 框架，它提供了多种机制来响应数据的变化。在 Vue 2 中，watch是一个特别有用的选项，它允许你监听特定的数据属性，并在这些属性发生变化时执行自定义逻辑。本文将详细介绍 Vue 2 中watch的用法、工作原理以及一些最佳实践，并通过具体的代码示例帮助你更好地掌握这一功能。watchwatch选项用于定义一个或多个观察者（watcher），它们会监视指定的数据属性的变化。

2024-12-19 08:54:39 2030

原创 Vue 2 中页面跳转方式的详细介绍

Vue.js 是一个用于构建用户界面的渐进式 JavaScript 框架，它提供了多种方法来实现页面之间的导航。在 Vue 2 中，页面跳转主要通过 Vue Router 来管理，同时也支持其他方式如编程式导航和使用锚点链接。本文将详细介绍 Vue 2 中的各种页面跳转方式，并通过具体的代码示例帮助你更好地掌握这些功能。

2024-12-18 09:04:28 2529

原创 Vue 3 中页面跳转方式的详细介绍

Vue.js 是一个用于构建用户界面的渐进式 JavaScript 框架，它提供了多种方法来实现页面之间的导航。在 Vue 3 中，页面跳转主要通过 Vue Router 来管理，同时也支持其他方式如编程式导航和使用锚点链接。本文将详细介绍 Vue 3 中的各种页面跳转方式，并通过具体的代码示例帮助你更好地掌握这些功能。

2024-12-18 08:57:42 2779

原创 Vue 3 中 v-model 指令的使用详解

v-model是 Vue 提供的一个语法糖，它使得在表单控件元素与应用状态之间建立双向绑定变得非常简单。这意味着你可以轻松地将用户的输入反映到组件的状态中，并且当组件的状态发生变化时，相应的表单元素也会自动更新。v-model除了原生的 HTML 表单元素，v-model还可以在自定义组件上使用，以实现更复杂的双向绑定逻辑。要使v-model接受一个名为modelValue的 prop（默认情况下）。触发一个名为的事件来更新父组件的数据。例如：<template></div>

2024-12-17 08:59:05 2506

原创 Vue 2 中 v-model 指令的使用详解

v-model是 Vue 提供的一个语法糖，它使得在表单控件元素与应用状态之间建立双向绑定变得非常简单。这意味着你可以轻松地将用户的输入反映到组件的状态中，并且当组件的状态发生变化时，相应的表单元素也会自动更新。v-model除了原生的 HTML 表单元素，v-model还可以在自定义组件上使用，以实现更复杂的双向绑定逻辑。要使v-model接受一个名为value的 prop。触发一个名为input的事件来更新父组件的数据。

2024-12-17 08:55:00 2370

原创 Vue 3 中 v-html 指令的使用详解

v-html指令用于更新元素的innerHTML。与简单的文本插入不同，v-html不仅会插入文本，还会解析并渲染传入字符串中的 HTML 标记。这使得它可以用来嵌入富文本内容，如链接、图片等。

2024-12-16 09:41:35 3865

原创 Vue 2 中 v-html 指令的使用详解

v-html指令用于更新元素的innerHTML。与简单的文本插入不同，v-html不仅会插入文本，还会解析并渲染传入字符串中的 HTML 标记。这使得它可以用来嵌入富文本内容，如链接、图片等。

2024-12-16 09:39:09 1927

原创 在 Vue 3 中实现 Switch-Case

props: {value: {},watch(</script><template><script>props: {when: {},</Case></Switch>

2024-12-15 10:15:00 1368

原创 在 Vue 2 中实现 Switch-Case 逻辑

props: {value: {},data() {return {},watch: {},return {</script>Case.vue<template><script>props: {when: {},

2024-12-15 10:15:00 1626

原创 在 Vue 3 中隐藏页面元素的方法

有时我们需要更细粒度地控制元素的样式，比如不仅仅是隐藏，而是改变透明度、尺寸等。这时可以使用动态绑定类名，结合 CSS 来实现更复杂的效果。示例代码（使用 Composition API）：<template><div></div>.hidden {opacity: 0;

2024-12-14 20:38:58 1288

原创 在 Vue 2 中隐藏页面元素的方法

有时我们需要更细粒度地控制元素的样式，比如不仅仅是隐藏，而是改变透明度、尺寸等。这时可以使用动态绑定类名，结合 CSS 来实现更复杂的效果。示例代码</div><style>.hidden {opacity: 0;</script>

2024-12-14 20:32:59 999

原创 Vue 3 中 v-text 和 v-html 指令的使用详解

v-text指令用于更新元素的。无论元素原来的内容是什么，v-text都会将其替换为指定的文本内容。这意味着任何已有的子节点都会被移除，仅保留纯文本。v-html指令用于更新元素的innerHTML。与v-text不同的是，v-html不仅会插入文本，还会解析并渲染传入字符串中的 HTML 标记。这使得它可以用来嵌入富文本内容，如链接、图片等。

2024-12-13 09:41:14 1602

原创 Vue 2 中 v-text 和 v-html 指令的使用详解

v-text指令用于更新元素的。无论元素原来的内容是什么，v-text都会将其替换为指定的文本内容。这意味着任何已有的子节点都会被移除，仅保留纯文本。v-html指令用于更新元素的innerHTML。与v-text不同的是，v-html不仅会插入文本，还会解析并渲染传入字符串中的 HTML 标记。这使得它可以用来嵌入富文本内容，如链接、图片等。

2024-12-13 09:38:00 1754

原创 Vue 2 中 v-for 指令的使用详解

v-for是 Vue 提供的一个用于循环渲染列表的指令，它可以基于任何可迭代的数据源（如数组、对象）创建一组相似的元素或组件。每当数据源发生变化时，Vue 会智能地更新 DOM，确保只对必要的部分进行操作，从而提高性能。

2024-12-12 09:10:27 1676

原创 Vue 3 中 v-for 指令的使用详解

v-for是 Vue 提供的一个用于循环渲染列表的指令，它可以基于任何可迭代的数据源（如数组、对象）创建一组相似的元素或组件。每当数据源发生变化时，Vue 会智能地更新 DOM，确保只对必要的部分进行操作，从而提高性能。

2024-12-12 09:07:08 2600

原创 Vue 3 中 v-if 指令的使用详解

v-if是 Vue 提供的一个条件渲染指令，当绑定到它的表达式返回true或者其他真值时，元素会被插入到 DOM 中；反之，如果表达式返回false或者假值，则该元素不会被渲染，也不会存在于 DOM 树中。这意味着v-if实现了真正的条件性渲染，而不是仅仅隐藏元素。

2024-12-11 14:32:41 3856

原创 Vue 2 中 v-if 指令的使用详解

v-if是 Vue 提供的一个条件渲染指令，当绑定到它的表达式返回true或者其他真值时，元素会被插入到 DOM 中；反之，如果表达式返回false或者假值，则该元素不会被渲染，也不会存在于 DOM 树中。这意味着v-if实现了真正的条件性渲染，而不是仅仅隐藏元素。

2024-12-11 14:26:47 1726

原创 Vue 3 中的变量与数据结构详解

Undefined。

2024-12-10 09:12:56 1870

原创 Vue 2 中的变量与数据结构详解

Undefined。

2024-12-10 09:09:40 908

原创 Vue 3 中的 Scope Slot（作用域插槽）详解

在 Vue 中，组件是可复用的 UI 构建块，它们可以封装自己的模板、逻辑和样式。然而，有时候我们希望父组件能够自定义子组件内部的内容展示方式，同时还能访问子组件提供的数据或状态。这就是作用域插槽的作用——它允许父组件向子组件传递数据的同时，保留对这些数据的控制权。

2024-12-09 10:45:58 1103

原创 Vue 3 中的 Scope Slot（作用域插槽）详解

在 Vue 中，组件是可复用的 UI 构建块，它们可以封装自己的模板、逻辑和样式。然而，有时候我们希望父组件能够自定义子组件内部的内容展示方式，同时还能访问子组件提供的数据或状态。这就是作用域插槽的作用——它允许父组件向子组件传递数据的同时，保留对这些数据的控制权。

2024-12-09 10:39:48 2037

原创 Vue 2 中的 Scope Slot（作用域插槽）详解

作用域插槽是 Vue 提供的一种特殊类型的插槽，它不仅能够自定义内容，还能让父组件访问子组件内部的数据或逻辑。换句话说，它提供了一种机制，使得父组件可以在渲染子组件时接收来自子组件的数据，并根据这些数据来定制化显示的内容。这极大地增强了组件间的交互性和可复用性。

2024-12-09 10:27:26 1522

原创 Vue 3 生命周期函数详解

Vue 实例从创建到销毁经历了一系列的阶段，这些阶段被称为生命周期。在每个阶段，Vue 提供了相应的钩子函数（Lifecycle Hooks），允许开发者在特定的时间点执行自定义逻辑。| |v v| |v v| |v vVue 3 引入了 Composition API 和setup函数，使得组件逻辑更加模块化和可复用。此外，部分生命周期钩子名称有所变化，以更清晰地表达其含义。

2024-12-08 18:41:16 5147

原创 Vue 2 生命周期函数详解

Vue 实例从创建到销毁经历了一系列的阶段，这些阶段被称为生命周期。在每个阶段，Vue 提供了相应的钩子函数（Lifecycle Hooks），允许开发者在特定的时间点执行自定义逻辑。

2024-12-08 18:36:17 912

原创 Vue 2 中的双向数据绑定详解

双向数据绑定意味着当用户交互改变视图中的值时，这些更改会自动反映到关联的数据模型中；同样地，如果通过代码修改了数据模型，相应的视图也会即时更新。这种机制极大地简化了前端开发工作流，使得开发者可以更加专注于业务逻辑的实现，而不必担心手动管理DOM操作。

2024-12-06 09:00:36 1660

原创 Vue 2 中的计算属性（Computed Properties）详解

计算属性是 Vue 提供的一种特殊的数据属性，它能够根据其他数据的变化自动更新。相比于直接在模板中编写复杂的表达式，计算属性提供了更好的代码可读性和性能优化，因为它们只会在依赖的数据发生变化时才重新计算。

2024-12-06 08:55:57 1399

原创 Vue 3 中的计算属性（Computed Properties）详解

计算属性是 Vue 提供的一种特殊的属性类型，它能够根据其他数据的变化而自动生成新的值。相比于直接在模板中编写复杂的表达式，计算属性提供了更好的代码可读性和维护性，并且性能更优，因为 Vue 能够智能地跟踪计算属性的依赖关系，在相关数据变化时才重新计算。

2024-12-05 13:11:47 2408

原创 CSS Position（定位）详解

属性是控制元素布局和定位的关键属性之一。它允许开发者对网页上的元素进行精确定位，以创建复杂且美观的页面结构。，并解释它们之间的区别及应用场景。

2024-12-05 13:09:36 945

原创 CSS Padding 和 Margin 全解析

是两个非常基础且重要的属性，它们用于控制元素周围的空白区域。理解这两个属性的区别和用法，对于创建良好的布局和用户体验至关重要。**Padding（内边距）**是指元素内容与边框之间的空间。它增加了元素内部的空间，使得内容不会紧贴着边框显示，从而改善视觉效果和可读性。**Margin（外边距）**是位于元素边框之外的空间，用来隔开相邻元素。它不影响元素自身的尺寸，而是改变了元素与其他元素之间的距离。的概念、区别以及如何在实际项目中使用它们，并附上代码示例。

2024-12-04 13:21:04 6000

原创 常见的 CSS 对齐方式介绍及代码示例

在网页设计和开发中，元素的对齐是布局中一个非常重要的方面。CSS 提供了多种方法来对齐页面上的元素，以确保内容按照预期的方式排列。本文将介绍几种常见的 CSS 对齐方式，并附上代码示例。

2024-12-04 13:17:53 1938

转载 JavaScript 变量

变量是用于存储信息的"容器"。

2024-12-03 14:08:37 113

原创 使用 Python 的beautifulsoup4和正则表达式获取页面中的所有图片链接

在 Web 开发和数据抓取中，经常需要从 HTML 页面中提取特定的信息，如图片链接。Python 提供了强大的工具来处理这类任务。本文将介绍如何使用 Python 的。如果需要更加精确地筛选图片链接（例如只获取特定格式或特定路径下的图片），可以使用正则表达式进行过滤。以下是完整的代码示例，包括获取网页内容、解析 HTML 并提取图片链接，以及使用正则表达式进行筛选。首先，确保安装了所需的库。库发送 HTTP 请求并获取网页的内容。解析 HTML 内容，并提取所有的。库来获取网页中所有的图片链接。

2024-12-03 09:40:57 795

原创 python使用正则表达式提取网页中的图片链接

接下来，我们将编写一个函数，使用正则表达式来匹配并提取符合条件的图片链接。以下是完整的代码示例，包括获取网页内容、使用正则表达式提取图片链接。首先，我们需要从目标网页获取 HTML 内容。pattern可以依据具体的需求来修改。

2024-12-03 09:15:28 775

原创 使用 Python 实现二叉树的层次遍历

层次遍历是一种逐层访问二叉树节点的遍历方法。与深度优先搜索（DFS）不同，层次遍历会先访问同一层的所有节点，然后再进入下一层。这种遍历方法通常使用队列（Queue）来实现，因为队列遵循先进先出（FIFO）的原则，非常适合按层次处理节点。在 Python 中，我们可以使用类（class）来定义二叉树的节点。每个节点包含一个值（val），以及指向左子节点和右子节点的指针（left 和 right）。示例代码。

2024-12-02 10:38:22 1607

原创 使用 Python 判断回文（不区分大小写，标点符号）

回文（Palindrome）是指一个字符串从前往后读和从后往前读是一样的。本文将介绍几种使用 Python 判断回文的方法，并提供相应的代码示例。虽然不是最高效的，但递归方法提供了一种优雅的方式来解决问题。我们可以递归地检查字符串的第一个和最后一个字符是否相同，然后对子字符串重复这一过程。双指针法是最直观的方法之一。我们可以使用两个指针，一个从字符串的开头开始，另一个从结尾开始，逐步向中间移动并比较对应的字符。如果需要更严格的处理，比如忽略大小写和非字母数字字符，可以使用正则表达式来清理输入字符串。

2024-12-02 10:31:15 1749

原创 python中 pip 的使用方法详解

命令来安装 Python 包。可以直接从 PyPI（Python Package Index）安装，也可以从本地文件或特定 URL 安装。是 Python 的默认包管理工具，随 Python 3.x 版本一同安装。命令可以在 PyPI 上搜索特定的包。命令查看某个已安装包的详细信息，如版本、作者、摘要等。命令列出当前环境中已安装的所有包及其版本。命令来卸载不再需要的 Python 包。有时需要安装特定版本的包，可以使用等号 (可以在一条命令中安装多个包，用空格分隔。文件安装指定版本的依赖包。

2024-12-01 22:26:41 1726

原创 Python 元组详解

元组可以用圆括号()来定义，元素之间用逗号分隔。即使只有一个元素，也需要在元素后面加上逗号来表示这是一个元组。示例代码# 定义空元组# 定义单元素元组# 定义多元素元组print(empty_tuple) # 输出: ()print(single_element_tuple) # 输出: (42,)print(multi_element_tuple) # 输出: (1, 2, 3, 'four', 'five')

2024-12-01 22:24:02 791

原创 Python 中的集合（Set）介绍

集合（set）是 Python 中的一种无序、不重复的数据结构。集合非常适合用于去除重复元素、进行集合运算等操作。本文将详细介绍集合的基本概念、常见操作以及一些实用的代码示例。

2024-11-30 07:45:00 339

球员数据集，前五名联赛足球运动员统计数据（2017-2025），欧洲前五大联赛的详细足球运动员统计数据，适用于数据分析、机器学习
关于此数据集 该数据集包含来自欧洲前五大联赛的详细足球运动员统计数据： -英超联赛 -西甲联赛 -意甲 -德甲联赛 -法甲1 季节覆盖 2017-18年至2024-25年 数据源 使用`soccerdata` Python库从FBref收集。 包含的功能 数据集包括： -目标 -协助 -xG/xA -传递指标 -防御行动 -占有统计数据 -渐进式传球 -游戏时间 -根据90项统计数据 --- 列说明 一般信息 -“联赛”——球员参加比赛的联赛名称 -“季节”——季节标识符（例如1718=2017/18） -“球队”——俱乐部名称 -`player`--玩家全名 -`nation_`--国籍 -`pos_`——主要比赛位置 -`age_`——赛季球员年龄 -born_——玩家的出生年份 播放时间 -`播放时间_MP`--已播放的比赛 -“比赛时间_开始”--比赛开始 -`播放时间_Min`--播放的总分钟数 -“比赛时间_90s”-分钟转换为90分钟的完整比赛 性能统计数据 -“Performance_Gls”--已达成的目标 -“Performance_Ast”--辅助 -“绩效_G+A”--目标+协助 -“绩效_G-PK”——非惩罚目标 -“Performance_PK”——点球得分 -“表现_处罚”——处罚尝试 -`Performance_CrdY`--黄牌 -`Performance_CrdR`--红牌 -“Performance_Crs”--已交付的十字架 -“表现_失败”--犯规 -“表演_Fls”--犯规 -`Performance_Int`--拦截 -`Performance_OG`——自己的目标 -“Performance_Off”--偏移 -“性能_回收”——球回收 -“表现_TklW”——铲球获胜 预期指标 -`Expected_xG`——预期目标 -`

2026-04-20

肝脏病数据集，肝脏患者数据集，包含印度安德拉邦东北部地区患者的医疗记录 适用于构建机器学习模型来预测肝脏疾病
由于饮酒量增加、慢性肝炎感染和肥胖，肝硬化和相关肝病在全球范围内正在增加。早期发现对于改善患者预后至关重要，但诊断有效性可能因不同亚人群而异，尤其是性别不同。 该数据集包含印度安德拉邦东北部地区患者的医疗记录。它被广泛用于构建机器学习模型来预测肝脏疾病。 --- 数据列说明 |列名|描述| |---------------------|-------------| |年龄|患者的年龄| |性别|性别| |TB |总胆红素水平| |DB |直接胆红素水平| |甲胺磷|肝酶水平| |丙氨酸氨基转移酶| |sgot|天冬氨酸氨基转移酶| |TP |总蛋白水平| |ALB |白蛋白蛋白水平| |a/g比值|白蛋白/球蛋白比值| |target |目标|

2026-04-20

学生成绩影响因素数据，学生生活方式和学业表现数据集，包括学习时间、睡眠时间、屏幕时间、体育活动、饮食类型、出勤率、压力水平、内部分数和GPA等变量，适用于数据分析、机器学习
该数据集包含代表学生生活习惯与学业成绩之间关系的合成数据。它包括学习时间、睡眠时间、屏幕时间、体育活动、饮食类型、出勤率、压力水平、内部分数和CGPA等变量。 该数据集专为教育分析、机器学习模型开发和数据科学研究而设计。它可用于回归、分类、相关性分析和探索性数据分析等任务。 此数据集是出于研究和学习目的而综合生成的，并不代表真实的个人。它的结构和清洁便于在学术和机器学习项目中使用。

2026-04-20

学校学生成绩管理系统，C语言程序，适用于大作业
该程序包括以下功能： 1.录入每个学生的学号、姓名和各科考试成绩 2.计算每门课程的总分和平均分 3.计算每个学生的总分和平均分 4.按每个学生的总分由高到低排出名次表 5.按每个学生的总分由低到高排出名次表 6.按学号由小到大排出成绩表 7.按姓名的字典顺序排出成绩表 8.按学号查询学生排名及其考试成绩 9.按姓名查询学生排名及其考试成绩 10.按优秀（90-100）、良好（80-89）、中等（70-79）、及格（60-69）、不及格（0-59）5个类别，对每门课程分别统计每个类别的人数以及所占的百分比 11.输出每个学生的学号、姓名、各科考试成绩，以及每门课程的总分和平均分 12.将每个学生的纪录信息写入文件 13.从文件中读出每个学生的纪录信息并显示

2026-04-14

智能手机使用和成瘾分析数据集，7500人收集的有关智能手机使用模式和成瘾指标信息，包括屏幕时间、打开应用程序次数、在社交媒体上花费时间、睡眠时间、生产力水平和手机检查频率，适用于数据分析、机器学习
数据集包含从7500人那里收集的有关智能手机使用模式和成瘾指标的详细信息。 它包括诸如每日屏幕时间、打开应用程序的次数、在社交媒体上花费的时间、睡眠时间、生产力水平和手机检查频率等变量。 该数据集还可能包括年龄、性别和职业等人口统计属性，从而可以更深入地分析不同群体如何与智能手机互动。总体而言，这些数据提供了与移动设备使用相关的用户行为的结构化视图。

2026-04-14

健身锻炼数据集，高强度力量训练数据集，个人锻炼记录，适用于数据分析、机器学习
高强度力量训练：个人锻炼记录（2025年12月-2026年3月） 此数据集包含我在四个月内（2025年12月至2026年3月）使用Hevy应用程序进行的每一次锻炼。我遵循高强度训练（HIT）的原则，有时也被称为重型训练，由亚瑟·琼斯和迈克·门策推广。核心思想很简单，但要求很高： -每次锻炼都要全力以赴，最终导致肌肉完全衰竭。 -低频率：我每周只训练2-3次，以最大限度地恢复。 -短时间：每次锻炼持续不到30分钟（不包括热身），因为当你付出100%的努力时，你不需要在健身房待上几个小时。 这种方法优先考虑强度而不是数量，数据反映出：每一组记录都是最大的努力，其中大多数被评为RPE 10（最大努力）。你会看到手臂、腿、胸部和背部的锻炼，所有这些锻炼都是为了渐进性超负荷而进行的，要么增加体重，要么增加重复次数，同时保持适当的姿势，以避免任何伤害或自我提升。 --- 为什么是这个数据集？ 如果你好奇： -力量如何在小容量、高强度的项目中发展， -举重、完成的重复次数和RPE之间的关系， -来自一致训练协议的真实世界数据， 或者只是想探索一个干净的个人健身日志… …那么这个数据集就是为你准备的。这是我在保持理智、睡得好、享受和度过生活中的好时光和艰难时光的同时变得更强壮的旅程的快照。 --- 数据概述 每一行代表一组练习。数据集包括： -训练标题和时间戳（训练的开始/结束） -练习名称（例如，“侧举（哑铃）”、“蹲下（杠铃）”） -训练细节：体重（kg）、重复次数、训练类型（热身为“正常”，工作组为“故障”）和RPE（1-10） -超集分组（如果两个练习配对） 注意：非举重活动（热身、步行、跑步机）已被取消，以保持对阻力训练的关注。 --- 潜在用例 -趋势分析：绘制自己的进度图或比较一段时间内的练习。 -1RM估计：使用公式（例如Epley）从次最大故障集估计一次最大重复次数。

2026-04-14

温室气体排放数据集，2022-2023年全球企业温室气体排放量数据集，提供了508个主要国家的温室气体（GHG）排放记录，适用于数据分析、机器学习
2022-2023年全球企业温室气体排放量 该数据集提供了508个主要国家的温室气体（GHG）排放记录 遍布46个国家和6个全球地区的公司 非洲、亚太、欧洲、拉丁美洲、中东和北美。 --- |功能|详细信息| |---|---| |公司|508家全球公司| |国家|46| |行业|12（能源、材料、公用事业、运输等）| |报告年份|2021、2022、2023| |排放范围|范围1、范围2（地点和市场）、范围3| |验证|76%经过第三方验证| |净零目标|适用于452家公司| --- 列 -`company_id `--唯一标识符 -`company_name`/`ticker`——公司名称和股票代码 -“国家”/“地区”--地理信息 -“部门”/“行业”——与GICS一致的分类 -`reporting_year`--排放年度报告 -`scope1_mt_co2e`——直接排放（mt CO₂e) -“scope2_location_mt_co2e”/“scope2-market_mt_co2e”——间接能源排放 -“范围3_total_mt_co2e”——价值链排放 -`scope1_plus_scope2_location_mt`--组合作用域1+2 -“排放量_强度_mt_per_musd”——每百万美元收入的排放量 -“revenue_usd_millions”——年收入 -“报告_标准”----例如《温室气体议定书》 -“data_source”--CDP、EPA GHGRP、国家登记册、可持续性报告 -`third_party_verified `——布尔验证标志 -`net_zero_target_year`——申报的净零年（如有） -“注释”——上下文标志（例如，以煤炭为主、国有） ---

2026-04-14

全球航班、机场和航空公司数据集，结合了机场基础设施、商业航线、航空公司信息，适用于数据分析、机器学习
一个综合的全球航空数据集，结合了机场基础设施、商业航线和OurAirports和OpenFlights的航空公司信息。 该数据集包括85000多个具有地理空间坐标和分类的机场，66000多条富含起点/终点坐标和Haversine大圆距离的航线，以及1500多家活跃的航空公司。非常适合网络分析、地理空间可视化、路线优化和交通研究。

2026-04-14

学生成绩影响因素数据集，学生学业成绩-500名学生，包括学习习惯、人口统计数据和考试成绩，目标变量可以是回归的分数，适用于机器学习训练，数据分析
500条学生记录，包括他们的学习习惯、人口统计数据和考试成绩。 列包括每周学习时间、出勤率、家长教育水平、以前的成绩和最终成绩等。目标变量可以是回归的“final_score”或分类的“passed”（pass=score>=50）。 需要注意的几点： -无缺失值或重复值 -最终成绩与学习时间和出勤率有一定的相关性（正如你所料） -适合想要练习EDA、分类或回归的初学者

2026-04-14

斯诺克选手数据集，职业斯诺克球员的全面概述，包含表现、排名和职业成就，比赛、输赢、最高破发分数、世纪破发和总奖金，适用于数据分析、机器学习
斯诺克球员数据集提供了职业斯诺克球员的全面概述，重点关注他们的表现、排名和职业成就。该数据集包括关键统计属性，如比赛、输赢、最高破发分数、世纪破发和总奖金。 它旨在支持体育分析领域的数据分析、可视化和机器学习任务。用户可以探索球员的表现趋势，比较排名，并确定得分能力和比赛成功之间的模式。

2026-04-14

面部表情图像数据集（YOLO 格式），八种面部表情图像数据，包含近3万张面部图像数据，适用于 YOLO 系列模型训练
专为 YOLO 系列模型训练而构建。包含约 40 万张“野外”（in-the-wild）人脸图像，人工标注了 8 种基本面部表情以及 效价（valence）与唤醒度（arousal） 的连续值。 本版本基于 Kaggle 用户 Noam Segal 提供的预处理数据（链接），进一步转换为 YOLO Darknet 标注格式，并统一调整图像分辨率为 96×96 像素，以适应内存受限的训练环境（如笔记本电脑或边缘设备）。 核心特性 表格 特性 说明 任务类型 面部表情检测（目标检测 + 分类） 图像数量 约 40 万张（继承自 AffectNet 子集） 图像尺寸 统一为 96×96 像素（RGB） 类别数 8 类，按以下映射编号： Anger（愤怒） Contempt（轻蔑） Disgust（厌恶） Fear（恐惧） Happy（高兴） Neutral（中性） Sad（悲伤） Surprise（惊讶） 标注格式 YOLO 格式（每张图对应 .txt 文件）： （归一化至 [0,1]） 数据划分 已预分为 train / validation / test 三个文件夹，便于直接加载 人脸定位 每张图像通常包含单一人脸，边界框覆盖整张图或主要人脸区域

2026-04-10

YOLO口罩图像检测数据集，带标注的口罩检测数据集（Labeled Mask Dataset – YOLO Darknet 格式），专为人脸口罩佩戴检测任务设计
该数据集专为人脸口罩佩戴检测任务设计，包含 1,510 张真实场景图像，涵盖两类目标： 佩戴口罩 未佩戴口罩 所有图像均配有YOLO Darknet 格式的边界框标注文件（即每张图像对应一个 .txt 文件），可直接用于训练 YOLO 系列目标检测模型（如 YOLOv3、YOLOv4、YOLOv5、YOLOv8 等）。

2026-04-10

汽车价格预测和车辆规格数据集，包含有关车辆的详细信息，包括技术特征、品牌、状况和使用历史，适用于预测模型的训练
该数据集是一个综合生成的汽车规格集合，旨在模拟现实世界的汽车市场数据。它包含有关车辆的详细信息，包括技术特征、品牌、状况和使用历史。 该数据集非常适合： 汽车价格预测（回归） 特征重要性分析 数据预处理和可视化 机器学习模型训练 每条记录代表一辆车的列表，其中目标变量“价格”表示车辆的估计市场价值。 功能描述 -Car_ID→ 每辆车的唯一标识符 -品牌→ 汽车制造商（如丰田、宝马、福特） -型号_年份→ 汽车制造年份 -发动机_尺寸→ 发动机容量（升） -燃料类型→ 汽油、柴油、电动、混合动力 -变速器→ 手动或自动 -里程→ 行驶距离（公里） -门→ 门的数量 -所有者_计数→ 以前的所有者数量 -马力→ 发动机功率 -价格→ 目标变量（以美元计的汽车价格）

2026-04-10

YouTube油管排行前1000个频道数据集，包括频道创建日期、语言、内容描述和主题类别等元数据
该数据集包含全球前1000个YouTube频道（2026年）的详细信息，包括频道创建日期、语言、内容描述和主题类别等元数据，以及订阅者、浏览量和视频计数等关键指标。 它有助于探索全球创作者趋势、内容利基以及不同地区和类别的渠道增长模式。 使用案例： -分析全球YouTube频道增长 -比较内容类别和细分市场 -研究上传、查看和订阅者之间的关系 -构建推荐系统或仪表板

2026-04-10

Spotify音乐数据科学跟踪元数据数据集，音乐数据集
数据集功能 -曲目ID -曲目名称 -持续时间（分钟） -艺术家 -发布日期 潜在用例 -音乐趋势分析 -发布的时间序列探索 -推荐系统原型 -探索性数据分析（EDA） -机器学习项目

2026-04-09

基于行为指标的多渠道电子商务数据集，电子商务客户分析数据，包含交易历史记录、客户价值预测、流失风险评分等
用于客户分析的全面数据集，包括： -带有时间戳的交易历史记录 -客户终身价值预测 -流失风险评分（0-100） -参与度和忠诚度指标 -多渠道归因 -产品偏好和利润率 适用于： -流失预测模型 -客户细分 -寿命值回归 -行为分析 -营销优化 用例： -客户流失预测 -客户终身价值建模 -RFM细分 -推荐系统 -营销分析 特征： -目标： -Churn（二元分类） -客户_生命周期_价值（回归） -Churn_Risk_Score（概率） -行为： -购买_频率 -收入 数量 -天_真诚_持久_购买 -衍生： -忠诚_核心 -参与_核心 -客户_满意度 -利润_马金 -分类： -客户_细分市场 -忠诚_蒂尔 -产品中心 -营销_渠道

2026-04-09

学生表现数据集，影响学生表现的学术和社会经济因素，适用于机器学习模型、数据分析项目、教育研究
该数据集代表了影响孟加拉国学生表现的学术和社会经济因素。它适用于： -机器学习模型 -数据分析项目 -教育研究 功能（列）说明 基本信息 -学生ID→ 每个学生的唯一标识符 -性别→ 男/女 -年龄→ 通常为15-18岁（SSC/HSC级学生） -地区→ 孟加拉国地区（达卡、查特图姆等） 教育背景 -学校_类型→ 公立或私立学校 -学习_小时_周→ 每周学习时间 -出席情况→ 出勤率 家庭背景 -父母_教育→ 父母的教育水平 主要的，重要的 -中学 -高中 -毕业生 -家庭_收入_BDT→ 月收入（孟加拉塔卡） 学习环境 -互联网_访问→ 是 / 否 -私人_套房→ 学生是否接受辅导 学业表现 -上一页_GPA→ 过去的平均绩点（0-5分，孟加拉国常见） -SSC_结果→ 中学毕业证书成绩 -HSC_结果→ 高中毕业证书成绩 目标变量（可选） 您可以为ML创建一个目标： ``` 最终结果类： GPA≥4.5→ “非常好” 4.0–4.49 → “好” 3.0–3.99 → “平均” < 3.0 → “可怜” ``` 或 ``` 通过/失败： GPA≥2.0→ Pass GPA<2.0→ Fail ``` 用例 -预测学生表现 -分析收入或互联网接入的影响 -识别有风险的学生 -构建分类/回归模型

2026-04-09

消费者购物趋势分析数据集，包括有关消费者购买习惯和购物习惯的详细信息，包含年龄、收入、互联网使用、在线订单、商店访问、消费模式、品牌忠诚度和购物偏好，适用于数据分析、机器学习
该系列包括有关消费者购买习惯和购物习惯的详细信息。年龄、收入、互联网使用、在线订单、商店访问、消费模式、品牌忠诚度和购物偏好，包括的一些行为和人口统计因素。这些因素有助于分析不同客户如何参与传统和虚拟零售环境。 上下文 该数据集的目的是调查当代消费者的决策和购物趋势。它可以应用于机器学习、数据分析和可视化项目，以了解生活方式、数字参与和人口统计如何影响消费者行为。该数据集有助于对消费者洞察、电子商务趋势和零售分析进行数据驱动的研究。

2026-04-09

二手手机市场数据集，iPhone 二手市场真实交易数据集，包含主流电商平台上的活跃 iPhone 二手商品信息，适用于数据分析，机器学习
2026 年美国 iPhone 二手市场真实交易数据集 该数据集采集于 2026 年 4 月（当前时间为 2026-04-08），覆盖美国主流电商平台上的活跃 iPhone 二手商品挂牌信息，涵盖从 iPhone 12 到 iPhone 17 共六代机型，包含 Pro、Pro Max、Plus、Mini 等 23 种具体型号配置，以及 64GB 至 1TB 的全存储梯度。所有数据均来自真实市场挂牌，非模拟或估算值，具有高度的现实代表性。 尤为独特的是，该数据集包含一个稀有的 “已售出数量”（units sold per listing） 字段，不仅反映卖家要价，更揭示实际成交意愿与市场需求强度，使其成为研究消费电子二手市场的宝贵资源。 字段 说明 model_generation 机型世代（如 iPhone 15, iPhone 17 Pro Max） storage_gb 存储容量（64 / 128 / 256 / 512 / 1TB） condition 成色状态（New / Used / Refurbished） listing_price_usd 挂牌价格（美元） units_sold 该挂牌已售出数量（关键需求信号） us_state 挂单所在州（支持区域价格分析） listing_title 原始商品标题（含颜色、运营商锁、电池健康等非结构化信息） seller_id 卖家标识（可用于集中度分析）

2026-04-08

咖啡店销售数据集，咖啡收入数据集，包含销售活动、付款方式、购买时间和客户偏好，适用于分析客户行为，数据分析，机器学习
此数据集包含咖啡店的详细交易记录，捕获有关销售活动、付款方式、购买时间和客户偏好的关键信息。它是为数据可视化、仪表板开发和业务分析项目精心设计的，使用Power BI、Tableau和Python可视化库（Matplotlib、Seaborn和Plotly）等工具。 该数据集的功能涵盖了一天中的时间、工作日、月份、咖啡类型和收入，为分析客户行为、识别销售模式和监控业务绩效趋势提供了坚实的基础。它对于练习真实世界的分析和构建专业仪表板特别有价值。 数据集结构 文件格式：CSV 列（特征）： 小时_天→ 购买时间（0-23） cash_type→ 付款方式（现金或卡） 钱→ 交易金额（本币） 咖啡名称→ 购买的咖啡类型（如拿铁、美式咖啡、热巧克力） 时间_日期→ 分类购买时间（上午、下午、晚上） 工作日→ 一周中的某一天（例如，星期一、星期二） 月份_名称→ 购买月份（例如1月、2月） 工作日假期→ 工作日顺序的数字表示（1=星期一，7=星期日） 蒙特肖特→ 月份顺序的数字表示（1=一月，12=十二月） Date → 交易日期（YYYY-MM-DD） Time → 准确的交易时间（HH:MM:SS） 潜在数据可视化 此数据集非常适合创建交互式仪表板和可视化分析报告，包括： 按咖啡类型划分的销售额——确定最畅销的饮料 按小时计算销售额——确定高峰营业时间 按时间划分的销售额——比较上午、下午和晚上的趋势 按工作日和月份划分的销售额——分析每周和季节性需求模式 支付方式分布——现金与卡使用情况比较 随时间变化的收入趋势——监控每日和每月的增长 用例 此数据集可用于： Power BI或Tableau仪表板项目 Python数据可视化实践（Matplotlib、Seaborn、Plotly） 数据叙事和投资组合项目

2026-04-08

全球地缘经济压力指标数据集，适用于分析各国随时间推移的宏观经济压力、收入脆弱性和粮食/农业压力
全球地缘经济压力指标 全球地缘经济压力指标是一个国家年数据集，用于分析各国随时间推移的宏观经济压力、收入脆弱性和粮食/农业压力。 该数据集将世界银行和粮农统计数据库的官方公共指标组合成一种干净、易于分析的格式。它专为经济比较、地理空间分析、仪表板、聚类、机器学习、投资组合项目和面向政策的探索性分析而设计。 这个数据集是关于什么的 经济压力很少是由单一因素造成的。一个国家可能面临高通胀、GDP增长疲软、失业率上升、收入水平低、粮食生产压力或粮食供应不足。该数据集将这些信号汇集在一起，以便用户可以在一个一致的表格中比较国家和年份。 主要的分析问题是： 根据通货膨胀、GDP增长、失业率、收入水平、人口和粮食/农业指标，哪些国家的经济压力更大？ 数据源 该数据集使用官方公共数据源。 世界银行 世界银行的指标用于： -国内生产总值增长 -通货膨胀 -失业 -人均国内生产总值 -人口 -粮食生产指数 -国家元数据 -地区 -收入群体 -纬度和经度 FAOSTAT 粮农统计数据库批量下载用于粮食、农业和土地利用指标： -谷物产量 -谷物生产 -农业用地份额 -膳食能量供应充足 FAOSTAT数据来源于官方FAOSSTAT批量下载文件，而非合成生成。 数据集文件 `国家_年份_指标.csv` 主分析就绪数据集。 一行代表一年中的一个国家。 此文件包括： -国家元数据 -年份 -宏观经济指标 -粮食/农业指标 -经济压力评分 -数据完整性得分 将此文件用于大多数分析、可视化、建模和仪表板。 `country_metata.csv` 国家查找表。 包括： -国家代码 -国家名称 -ISO3代码 -世界银行区域 -收入群体 -纬度 -经度 使用此文件进行映射、连接和国家级参考。 `economic_spress_score.csv` 以分数为中心的表格。 包括： -通货膨胀评分 -失业评分

2026-06-09

2014-2025年科技心理健康调查，该数据集包含科技员工对工作场所压力、抑郁、治疗机会、工作干扰、雇主支持、远程工作、健康计划以及对专业环境中心理健康讨论的态度的调查回复，适用于数据分析，机器学习
探索专注于科技行业的最具洞察力的心理健康数据集之一。该数据集包含科技员工对工作场所压力、抑郁、焦虑、治疗机会、工作干扰、雇主支持、远程工作、健康计划以及对专业环境中心理健康讨论的态度的调查回复。 此数据集非常适合： 探索性数据分析（EDA） 数据可视化项目 机器学习与预测建模 人力资源分析 员工健康研究 心理健康分类模型 情绪与行为分析 相关性与统计研究 该数据集包括人口统计和工作场所相关特征，例如： 年龄 性别 国家和州 家族史 治疗状态 远程工作 公司规模 心理健康福利 健康计划 休假政策 工作场所后果 主管和同事支持 心理与身体健康感知 可能的项目想法： 预测员工是否寻求心理健康治疗 分析远程工作如何影响心理健康 比较各国的心理健康意识 建立工作场所压力预测的分类模型 研究公司福利与员工幸福感之间的关系 使用Power BI、Tableau或Streamlit创建交互式仪表板 非常适合初学者和高级数据科学家使用：

2026-06-09

运动营养与生物指标数据集 由1000条独特的记录组成，记录了个体人口统计标志、补充周期持续时间、基线/周期后体重和性能指标，适用于数据分析、机器学习
了解运动营养的生理影响是健身跟踪和生物分析的核心组成部分。该数据集具有综合生成的跟踪指标，用于在不同周期内接受不同补充方案的个体。它为数据科学家、分析师和健身爱好者研究模式、执行探索性数据分析（EDA）和构建预测回归模型提供了一个干净、结构化的基础。 --- 数据集内容 该数据集由1000条独特的记录组成，记录了个体人口统计标志、补充周期持续时间、基线/周期后体重和性能指标。 功能分解： ID：每个参与者的唯一跟踪标识符。 年龄：个人的年龄（随机范围从18岁到65岁）。 性别：自我报告的性别代表，随机分布在三组（“男性”、“女性”、“非二元”）中。 补充：分配给周期的积极运动营养方案（“肌酸一水合物”、“增重”或“两者”的联合方案）。 周：补充周期的总连续时间线/持续时间（从4周到24周不等）。 Initial_WT：个体在第0天的基线体重，单位为千克（kg）。 Final_WT：完成方案后个体的周期后体重，单位为千克（kg）。 Strength_Gain：最终观察到的体力增加百分比（格式为带“%”符号的字符串，非常适合数据清理实践）。 主要益处：参与者记录的主要自我报告的身体或认知突破（例如，“力量增加”、“肌肉恢复”、“体重增加”、”认知支持“、”骨密度“）。 --- 数据来源和生成

2026-06-09

运输车辆登记数据集，运输车辆的详细记录 该数据集专为、分析师、研究人员设计 包括按车辆类型、燃料类型、制造商、地区/州、登记计数和运输分类分类的车辆登记信息
运输车辆登记：2026年1月数据集提供了2026年一月份新登记的运输车辆的详细记录。该数据集专为对交通趋势、车辆采用模式和出行见解感兴趣的分析师、研究人员、政策制定者和汽车行业专业人士而设计。 该数据集包括按车辆类型、燃料类型、制造商、地区/州、登记计数和运输分类分类的车辆登记信息。它可用于： 运输和流动性分析 市场趋势预测 电动汽车采用研究 区域交通规划 商用车需求分析 数据可视化和机器学习项目 数据集以结构化的表格格式组织，适用于分析、仪表板和预测建模工作流程。

2026-06-09

银行交易欺诈检测数据集，一百万条金融交易的大规模合成银行数据集，覆盖10个国家，专为欺诈检测和金融风险分析而设计 适用于数据分析、XGBoost、随机森林、神经网络训练
银行交易欺诈检测数据集 1000000笔真实金融交易的大规模合成银行数据集 该系统覆盖10个国家，专为欺诈检测和金融风险分析而设计。 --- 数据集概述 -行数：1000000 -列数：26 -欺诈率：~5.5%（现实不平衡分类） -时间段：2020-2024 --- 列说明 |列|说明| |--------|-------------| |transaction_id |唯一交易标识符| |customer_id |唯一客户标识符| |transaction_date |交易日期| |transaction_time |交易时间| |一天中的小时|小时（0–23）| |is_weeked|1表示周末，0表示工作日| |is_night_transaction|1（如果在晚上10点至早上6点之间）| |国家|客户所在国家| |城市|客户所在城市| |merchant_category |商家类型（杂货、电子等）| |payment_method |信用卡、借记卡、手机等。 | |device_type |移动、桌面、ATM、POS终端| |customer_age |客户年龄| |credit_score |信用评分（300–850）| |account_age_years |帐户存在多久| |account_balance |往来账户余额| |交易金额|交易金额| |num_prev_transactions |以前的交易总数| |transaction_freq_monthly |每月平均交易量| |distance_from_home_km |距离客户家的距离| |time_since_last_txn_hrs |自上次交易以来的小时数| |is_国际|1（如果是国际交易）| |failed_attempts |登录/交易尝试失败| |pin_changed_re

2026-06-09

2000-2026年全球气候与能源转型数据集，包含国家的二氧化碳排放量、能源结构演变、碳市场价格（5 ETS）和50个气候事件，适用于数据分析
2000-2026年全球气候与能源转型 副标题：温度异常（全球+8个地区）、50个国家的二氧化碳排放量、能源结构演变、碳市场价格（5 ETS）和50个气候事件——能源转型26年 --- 标签 `气候变化、能源、排放、二氧化碳、可再生能源、碳市场、环境与社会保障、可持续性、时间序列、政策、地理空间表格` --- 概述 一个全面的数据集，跟踪2000年至2026年的全球气候和能源转型，涵盖温度演变、50个国家的二氧化碳排放、能源结构转型（煤炭→ 可再生能源）、5个主要ETS的碳市场价格以及从极端天气到具有里程碑意义的政策时刻的50个主要气候事件。 该数据集专为气候机器学习、ESG分析、能源经济学、政策研究和新闻业而设计。它捕捉到了现代气候时代的完整弧线：从京都议定书之前的基线，到2015年的《巴黎协定》，可再生能源爆炸，2022年的欧洲能源危机，以及2024-2026年1.5°C的门槛。 所有数据均来自公共官方统计数据：美国国家航空航天局地理信息系统、美国国家海洋和大气管理局莫纳罗亚、EDGAR、国际能源署、我们的世界数据、欧盟ETS、EDF、英国石油公司统计评论。 --- 文件 |文件|行|描述| |------|------|-------------| |“温度_正常_每月.csv”|2528|全球+7个地区×316个月：温度异常+CO2 ppm| |`co2_emissions_annual.csv` |1350|50个国家×27年：总排放量、人均排放量、强度| |`energy_mix_year.csv` |1350|50个国家×27年：8个燃料份额（煤炭、石油、天然气、核能、水力、太阳能、风能、其他）| |`climate_events.csv` |50|具有严重性评分的重大气候/天气/政策事件| |`carbon_prices_daily.csv` |15866|

2026-06-09

玉米叶病害图片数据集，YOLO格式，包含三种疾病：普通锈病、灰斑病和北方叶枯病，适用于yolo模型训练
该数据集提供了一个专注、高质量的玉米叶图像集合，专门为精准农业中的目标检测任务量身定制。它包括4个不同的类别，捕捉健康的玉米叶子以及三种非常普遍的疾病：普通锈病、灰斑病和北方叶枯病。 该数据集以标准YOLO格式进行了完全的预处理和结构化，使其能够即插即用地训练最先进的计算机视觉模型（如YOLOv8和YOLOv11），而不需要手动数据处理或格式转换。 数据集结构 数据集遵循标准的YOLO目录结构，分为“train”和“val”两部分。每个图像都有一个相应的“.txt”文件，其中包含边界框坐标和类ID。 ```文本 玉米叶片病害/ │ ├── 图片/ │ ├── 训练/训练图像（.jpg、.png等） │ └── val/验证图像 │ ├── 标签/ │ ├── train/YOLO格式的边界框注释（.txt） │ └── val/YOLO格式的边界框注释（.txt） │ └── dataset.yaml YOLO配置文件将ID映射到类名 ``` 类标签和分布 数据集包含4个映射到ID“0”到“3”的类。下面是训练分布的统计分解，详细说明了每个类的图像数量和单个边界框标签： |ID|类名|图像|边界框| | :---: | :--- | :---: | :---: | |“0”|玉米__CommonRust|1307|1318| |“1”|玉米灰斑| 580 | 594| |“2”|玉米__健康|1157|1157| |“3”|康沃尔郡_北方叶枯病|983|989| 用例 病害检测：训练目标检测模型，实时定位和识别玉米作物上的特定病害。 边缘人工智能和移动部署：用于培训针对边缘设备（智能手机、在玉米田中运行的农业无人机）的轻量级、参数高效架构的理想数据源。 精准农业：与治疗推荐系统集成，为农民提供即时、本地化的作物管理和产量保护见解。

2026-04-25

医疗网络安全漏洞数据集，包含1515个真实CVE，常见漏洞与医疗网络安全相关的记录 适用数据分析、机器学习

此数据集包含1515个真实CVE（常见漏洞 与医疗网络安全相关的记录。 源 国家漏洞数据库（NVD）-NIST 使用的关键字 医院、患者、医疗保健、医疗设备、OpenEMR， DICOM、药房、临床、EHR、ICU、起搏器、胰岛素泵 列 -CVE_ID：唯一漏洞标识符 -关键字：使用的搜索类别 -发布时间：CVE发布日期 -上次_修改：上次更新日期 -状态：CVE状态（已分析/已修改） -描述：完整的漏洞描述 -严重程度：低/中/高/严重 -CVSS_评分：风险评分（0-10） -攻击者向量：网络/本地/物理 -弱点：CWE弱点类别 -参考：官方参考网址 用例 -基于机器学习的威胁检测 -医疗安全研究 -漏洞模式分析 -网络安全意识培训

2026-04-25

仓库和零售销售数据集，月度销售和库存变动数据，用于分析销售业绩、库存流和需求模式
此数据集包含仓库和零售业务的详细月度销售和库存变动数据。它提供了项目级和部门级的见解，可以分析销售业绩、库存流和需求模式。 上下文 零售和仓库运营在很大程度上依赖于准确的需求预测和库存管理。该数据集记录了产品如何在供应链中移动，帮助企业优化库存水平，减少浪费，提高盈利能力。 内容 数据集包括： 物料级销售数据 部门/类别信息 月度汇总记录 库存变动（流入/流出） 仓库和零售渠道数据

2026-04-25

电动汽车数据，电车数据，车辆类型、制造商、车型年份、电动里程、注册地点和清洁燃料计划资格等详细信息 用于数据分析，机器学习

该数据集提供了不同地区电动汽车（EV）人口的全面信息。它包括车辆类型、制造商、车型年份、电动里程、注册地点和清洁燃料计划资格等详细信息。 该数据集可用于分析电动汽车的采用趋势、环境影响、政府政策有效性和电动汽车的市场增长。它可以支持可持续发展、交通和智慧城市规划方面的研究。

2026-04-25

信用卡风险预测数据集，包含6个国家的10345笔交易，适用于数据分析，构建信用风险和违约预测模型
立即购买，稍后支付（BNPL）是全球增长最快的金融科技领域之一。6个国家（2023-2024年）的10345笔BNPL交易，旨在构建信用风险和违约预测模型。 >目标变量：`default_flag`--1=默认值，0=按时支付 用例 -二进制分类——预测用户是否会默认（`default_flag`） -客户细分——将用户分为低/中/高风险组 -风险评分——使用财务+行为特征构建复合风险模型 -还款行为分析——了解不同就业类型的延迟模式 -特征工程实践——DTI比率、逾期付款、信用评分交互 |列|类型|描述| |---|---|---| |`user_id `|int|唯一用户标识符| |`age` |int|用户年龄（18-59岁）| |`employment_type ` | str |有薪/自雇/学生/失业| |“月收入”|浮动|月收入（美元）| |`credit_score `|int|标准信用评分（300–850）| |“purchase_amount”|浮动| BNPL交易价值（美元）| |`product_category` |str|电子、时尚、体育、家居、美容| |`bnpl_installings ` |int|分期还款次数（3、6、9、12）| |“还款_延迟_天”|int|逾期天数（0-33）| |“漏付款”|int|漏付款总数（0-7）| |`default_flag` |int|目标：1=默认值，0=已支付| |`app_usage_frequency` |float|应用每周打开| |`location` |str|国家（美国、印度、英国、德国、加拿大、澳大利亚）| |`transaction_date` |str|购买日期（YYYY-MM-DD）| |“债务与收入比率”|浮动|DTI比率（月债务/月收入

2026-04-25

青少年社交媒体使用与心理健康数据集，包含2500条真实的记录，代表日常习惯、行为模式和心理指标
该数据集探讨了社交媒体的使用如何影响青少年的心理健康。它包含2500条真实的记录，代表日常习惯、行为模式和心理指标。 该数据集旨在模拟屏幕时间、睡眠质量、身体活动和心理健康结果（如压力、焦虑和抑郁风险）之间的现实关系。 --- 目标 此数据集的目标是： -分析社交媒体对青少年心理健康的影响 -识别影响压力、焦虑和睡眠的模式 -构建机器学习模型以预测心理健康风险 -支持行为分析和数字幸福感的研究 --- 包含的功能 |列名|描述| |------------|-------------| |年龄|青少年年龄（13-19岁）| |性别|男性或女性| |daily_social_media_hours |每天在社交媒体上花费的时间| |platform_usage | Instagram、TikTok、两者都有或其他| |sleep_hours |平均每日睡眠时间| |screen_time_before_sleep |睡前使用手机| |学术表现|GPA分数（2.0-4.0分）| |体力活动|日常锻炼（小时）| |social_interaction_level |低、中、高| |stress_level |压力评分（1-10）| |焦虑水平|焦虑评分（1-10）| |depression_risk |低、中、高| --- 数据关系（内置逻辑） - 社交媒体使用率更高→ 压力和焦虑增加 - 睡眠不足→ 更高的压力和抑郁风险 - 更多的体力活动→ 减轻压力和焦虑 - 睡前有更多的屏幕时间→ 睡眠质量下降 - 高压力+低睡眠→ 学业成绩较低

2026-04-25

动漫与漫画数据集（2026）最全面的动漫和漫画数据集-30075部动漫+82889部漫画，分数、流派、工作室、概要和社区统计数据
最全面的动漫和漫画数据集-30075部动漫+82889部漫画，包括分数、流派、工作室、概要和社区统计数据。 --- |文件|行|描述| |------|------|-------------| |`anime_dataset.csv` |30075|所有动漫标题，包括评级、流派、工作室、剧集、概要| |`manga_data.csv` |82889|所有带有评级、流派、作者、章节、概要的漫画标题| 动漫栏目 |列|说明| |--------|-------------| |`mal_id ` | MyAnimeList唯一id| |“title”/“title_english”/“title _ japanese”|多种语言的标题| |“类型”|电视、电影、OVA、ONA、特别节目、音乐| |“来源”|来源材料（漫画、轻小说、原创等）| |“剧集”|剧集数量| |“状态”|当前正在播放、已完成播放、尚未播放| |“得分”|MAL社区得分（1-10）| |`scored_by` |得分的用户数量| |“排名”/“受欢迎程度”|按分数/会员数进行全球排名| |“成员”/“最爱”|社区参与| |“季节”/“年份”|首映季节和年份| |“工作室”|动画工作室，管道分开| |“流派”/“主题”/“人口统计”|类别，管道分隔| |“概要”|情节摘要（前1000个字符）| |“评级”|年龄评级（G、PG、PG-13、R、R+、Rx）| |“持续时间”|剧集持续时间| 探索的想法 - 分数预测——根据流派、工作室、来源、剧集预测动漫评级（回归） - 流行趋势——几十

2026-04-25

港口利润数据: 全球进口趋势的全面视图，已经过清理，支持数据分析
数据集使用世界银行指标提供了全球进口趋势的全面视图。它已经过清理、丰富和结构化，以支持数据分析、可视化和机器学习应用程序。 按国家分列的进口值（美元） 趋势分析的时间序列结构 丰富的特征（地区、大陆、分类）

2026-04-21

电视节目排行数据集，TMDB收视率最高的电视节目数据集，包括首播日期、节目名称、概述、受欢迎程度评分、平均评分、投票数等
该数据集包含电影数据库（TMDB）中的顶级电视节目，这些节目是在其API的多个页面上收集的。它包括关键属性，如首播日期、节目名称、概述、受欢迎程度评分、平均评分、投票数和成人标志。 该数据集是探索性数据分析、可视化、推荐系统和趋势发现的理想选择。研究人员和爱好者可以使用它来研究收视率和受欢迎程度如何随时间演变，比较流派，或构建机器学习模型来预测观众偏好。 无论你是对数据科学项目、娱乐分析还是用数据讲故事感兴趣，这个数据集都为揭示全球电视趋势提供了丰富的基础。 列说明 -first_air_date–电视节目第一集的原始发布日期。 -name——电视节目的正式名称。 -概述–对节目故事情节的简短概述或描述。 -人气——TMDB分配的人气评分，反映用户活动和参与度。 -vote_maverage–TMDB用户给出的平均评分（0-10分）。 -vote_count–TMDB用户为该节目投票的总数。 -成人–布尔标志，指示该节目是否被归类为成人内容（True或False）。

2026-04-21

快速消费品销售和利润数据集（2023-2025），17个国家、多个城市、渠道、产品类别和销售代表的订单层面数据，适用于数据分析、机器学习
该数据集专为分析师、学生和投资组合构建者而设计，他们想要一个干净但真实的快速消费品商业数据集，而不仅仅是简单的销售表。它不仅限于收入，还包括在现实世界决策中真正重要的业务杠杆：折扣、营销支出、销货成本、物流成本和最终利润。 这些数据是在17个国家、多个城市、渠道、产品类别和销售代表的订单层面建模的。它有意包括现实的商业变化，例如： -按类别和市场划分的季节性需求变化 -渠道驱动定价与折扣行为 -B2B与B2C订单规模差异 -营销分配较高的大量订单 -一小部分低利润或亏损订单 所有货币价值均以美元标准化，以便进行跨国分析。 --- 用例 -按地区、国家、城市、渠道或销售代表进行销售趋势分析 -按产品、品牌、类别和市场进行盈利能力分析 -营销投资回报率探索和活动效率基准测试 -折扣敏感性研究和利润侵蚀分析 -需求或收入的时间序列预测 -B2B与B2C行为的客户/渠道细分 -在Excel、Power BI、Tableau或Looker Studio中构建仪表板 -回归、分类、聚类和异常检测项目

2026-04-21

手机数据集，智能手机规格和定价数据集，数据集包含300行和33列，包含硬件、市场数据、价格等
数据集包含300行和33列，包括： 硬件：芯片组、RAM（GB）、存储空间（GB），电池（毫安时），快速充电（瓦特）。 显示器：类型（AMOLED/LCD）、尺寸和分辨率。 摄像头：前后MP计数。 市场数据：印度卢比价格和发布日期/年份。 包含的文件 1.`device_specs_structured_dataset.csv`：用于分析。清洁和标准化。 为您的笔记本提供灵感 价格预测：你能根据芯片组和RAM预测手机的价格吗？ 品牌比较：哪个品牌的“规格与价格”比最好？ 功能趋势：2025-2026发布周期内快速充电功率是如何演变的？

2026-04-21

考试成绩影响因素数据，学生考试成绩数据集分析，包括学习时间、学生出勤率、睡眠时间、动机、辅导课程、家长参与、学校类型和其他环境特征
该数据集显示了与学生相关的学业、生活方式和社会经济因素，包括考试成绩。它包括学习时间、学生出勤率、睡眠时间、动机、辅导课程、家长参与、学校类型和其他环境特征。主要目标变量是Exam_Score，代表学生期末考试成绩。 数据集可用于： 1-->探索性数据分析（EDA） 2-->回归建模（分数预测） 3-->特征重要性分析 4-->教育绩效洞察

2026-04-21

巴黎房价数据集，巴黎不同地区的房地产，房产规模、位置、状况和与市中心的距离
巴黎房价数据集是一个综合数据集，代表巴黎不同地区（区）的房地产。它捕捉了影响房价的关键特征，如房产规模、位置、状况和与市中心的距离。 该数据集非常适合房地产分析、价格预测模型和探索性数据分析（EDA）。

2026-04-21

2020年至今金融新闻情绪与市场数据集，财经新闻与股市行为之间关系数据，适用于自然语言处理（NLP）和定量金融的从业者
该数据集提供了2020年全球疫情期间财经新闻与股市行为之间关系的精细视图。它是为自然语言处理（NLP）和定量金融的从业者设计的，他们想探索新闻的“情绪”是如何预测或反应的- 价格波动。 此原始导出中常见的关键功能： -时间戳：新闻发布的精确日期和时间。 -标题：用于情感提取的原始文本。 -情绪评分：极性（正面/负面）和主观性评分。 -市场数据：相对于新闻周期的股票和价格变化（开盘、收盘、高点、低点）。

2026-04-20

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章？
取消 删除