史上最全地震数据集汇总(震源+震级+损坏程度+影响)
① 地震灾害评估及建筑结构特征数据集
② 最新地震爆发数据集 (1990-02-03 至 2023-03-03)
③ 土耳其地震救灾推文数据集
④ 阿联酋地震数据集 (2010 至 2023)
⑤ 新西兰地震数据集
⑥ 日本地震数据集 (2019/1/1-2021/12/03)
⑦ 2023全球地震数据集
⑧ 土耳其地震发数据集 (1910 至 2017)
⑨ 希腊地震数据集 (1965 至 2023 )
⑩ 印度尼西亚地震数据集
11 全球地震数据集 (2001 年 1 月 1 日至 2023 年 1 月 1 日)
12 地震感知数据集 (那不勒斯地震事件的公众反应和情绪反应分析)
地震灾害评估及建筑结构特征数据集(尼泊尔地震数据集)
关于数据集
以下是数据集中每个特征的描述：
building_id：数据集中每栋建筑物的唯一标识符。
district_id：建筑物所在区域的标识符。
vdcmun_id：建筑物所在的村庄发展委员会/市政府的标识符。
ward_id：村庄发展委员会/市政当局内特定行政区的标识符。
count_floors_pre_eq：地震前建筑物的楼层数。
count_floors_post_eq：地震后建筑物的楼层数（可能与地震前的数量不同）。
age_building：地震发生时的建筑物年龄。
plinth_area_sq_ft：建筑物底座的面积（平方英尺）。
height_ft_pre_eq：地震前建筑物的高度（英尺）。
height_ft_post_eq：地震后建筑物的高度（以英尺为单位）。
land_surface_condition：建筑物所在地表的状况（例如“平坦”、“缓坡”、“陡坡”）。
foundation_type：建筑物所用地基的类型（例如“泥砂浆-石头/砖”、“竹子/木材”、“水泥-石头/砖”）。
roof_type：建筑物的屋顶类型（例如，“竹/木
最新地震爆发数据集（截至 2023 年）
全球地震事件 (1990-02-03 至 2023-03-03)
关于数据集
主要特征
列名称 描述
事件 ID 每次地震或火山爆发事件的唯一标识符。
类型 指示事件是否是地震或火山爆发。
地点 事件发生的地理位置。
震级 地震或火山爆发的震级。
深度 事件发生的距地球表面的深度。
时间戳 事件的日期和时间。
地位 事件的状态，例如“自动”或“已报告”。
海啸 表示该事件是否引发了海啸（0 表示否，1 表示是）。
警报 与事件相关的警报级别或状态。
来源 报告该事件的数据来源或机构。
事件网址 提供有关该事件的附加信息的 URL。
数据集作用(使用)
1. 地震和火山活动分析：您可以使用此数据集分析全球的地震和火山活动。通过探索“类型”、“震级”和“位置”列，您可以识别易发生地震和火山爆发的地区。
2. 海啸风险评估：通过“海啸”栏，您可以评估地震事件引发海啸的风险。这些信息对于沿海地区和灾害管理非常有价值。
3. 时间趋势：通过检查“时间戳”列，您可以识别地震和火山活动的时间模式和趋势。这对于了解活动的季节性变化或长期变化很有用。
4. 警报级别： “警报”栏提供与事件相关的警报级别的信息。您可以跟踪警报级别较高的事件，以了解对社区和基础
土耳其地震救灾推文数据集
关于数据集
该数据集包含 500 条与土耳其地震相关的推文。推文被分为两类：第 1 类（300 条推文）和第 0 类（200 条推文）。第 1 类包含受地震影响并寻求帮助的人的推文，提供有关其位置和通信详细信息的信息。第 0 类有 150 条推文，其中包含与第 1 类类似的关键词，例如“地震”、“食物”、“毯子”和其他相关关键词。第 0 类中的其余 50 条推文与地震无关。
土耳其地震是一次重大事件，对该国及其人民产生了重大影响。地震于 2023 年 2 月 6 日袭击该国，震级为 7.5 级。地震对建筑物和基础设施造成了广泛破坏，并造成了重大人员伤亡。地震发生后，政府、非营利组织和其他团体组织了救援工作，为受灾者提供援助。
该数据集可用作开发机器学习模型的训练数据集，以协助灾难响应和救援工作。这些数据可用于训练模型，这些模型可以根据推文内容自动对其进行分类、检测需要援助的地区并预测救援工作所需的资源。通过使用此数据集，研究人员和从业人员可以朝着创建更高效、更有效的灾难响应系统迈进。
阿联酋地震
2010 年至 2023-02-19 的数据集（距离阿联酋 1000 公里半径）
关于数据集
关于数据集
数据源
数据取自美国地质调查局地震目录
数据 - 距离阿联酋 1000 公里半径
The data was acquired from the USGS Earthquake Catalog
Data - 1000KM radius from UAE
列
['time', 'latitude', 'longitude', 'depth', 'mag', 'magType', 'nst', 'gap', 'dmin', 'rms', 'net', 'id', 'updated', 'place', 'type', 'horizontalError', 'depthError', 'magError', 'magNst', 'status', 'locationSource', 'magSource']
时间段
2010/1/1-2022/07/03
新西兰地震数据集
新西兰地震列表
关于数据集
背景
新西兰位于贯穿其脊柱的断层线上。这条断层线又名阿尔卑斯断层，非常活跃，是“火环”的一部分。
内容
这是 2019 年 1 月 1 日至 2020 年 5 月 31 日期间新西兰发生的所有地震的列表。
字段
地震时间
震中经度
震中纬度
震源深度
震级
日本地震数据集
2019 年以来日本地震数据
数据源
数据取自美国地质调查局地震目录
数据字段
['时间', '纬度', '经度', '深度', '磁力', '磁力类型', 'nst', '间隙', 'dmin', 'rms', '净值', 'id', '更新', '地点', '类型', '水平错误', '深度错误', '磁力错误', 'magNst', '状态', '位置来源', '磁力来源']
时间段
2019/1/1-2021/12/03
地区
[25.513, 46.702] 纬度
[127.441, 150.293] 经度
2011年3月11日，日本发生了大地震。当时，没有关于该地震的预测信息。但是，通过分析地震发生前的数据，发现了一些特征。通过分析最近的数据，可以预测未来的大地震。
2023全球地震数据集
数据集“2023 年全球地震”提供了有关 2023 年全球地震的宝贵信息。该数据集包括各种参数，例如时间、位置（纬度和经度）、深度、震级、震级类型等。
时间：地震事件的时间戳。
纬度：指定南北位置的地理坐标。
经度：指定东西位置的地理坐标。
深度：地震深度（以公里为单位）。
Mag：地震震级。
MagType：幅度测量类型。
Nst：报告地震的地震台站数量。
差距：不同地震台站覆盖范围之间的差距。
Dmin：距最近台站地震震中的最小距离。
Rms：地震振幅谱的均方根。
网：地震报道网络。
Id：地震事件的唯一标识符。
更新：指示地震信息最后更新时间的时间戳。
地点：地震发生地点的描述。
类型：地震事件的类型（例如地震）。
HorizontalError：位置确定中的水平误差。
DepthError：深度测定错误。
MagError：震级测定中的错误。
MagNst：用于计算震级的地震台站数量。
状态：地震事件的状态（例如，已审核）。
LocationSource：报告地震位置的来源。
MagSource：报告地震震级的来源。
1910-2017 年土耳其地震
背景
多年来，土耳其的不同组织一直在记录地震。作为土耳其最成功的大学，博阿齐奇大学拥有一个地震研究中心，多年来收集了所有数据。他们拥有最先进的技术设备来揭示地震的规格。数据是通过特定过滤器从数据库中收集的。
内容
数据涵盖了纬度 25 - 50、经度 15 - 60 之间所有记录到的地震。
由于测量站位于土耳其，因此记录到的大多数地震发生在纬度 35 - 45、经度 25 - 45 之间。数据库搜索时间过滤器设置为 1910 年 9 月 27 日至 2017 年 9 月 27 日。由于强度小于 4.0 的地震太多，强度过滤器设置为 3.5 到 9.0（没有记录到强度大于 9.0 的地震）。
希腊地震数据集-1965 年至 2023 年期间希腊发生的地震
希腊地震数据集-1965 年至 2023 年期间希腊发生的地震
介绍
这是希腊的最新和扩展的地震清单，可追溯到 1965 年，并将每年根据前一年发生的地震事件进行更新。
内容
第一列标题为“DATETIME”，表示地震发生的时间。
然后是“LAT”（纬度）和“LONG”（经度）坐标，它们告诉我们地震发生的地点。最后，地震用“DEPTH”（公里）和“MAGNITUDE”（里氏震级）来描述。
可用于地震研究，包括机器学习 深度学习 传统算法等建模研究
印度尼西亚地震数据集-详细地震记录
该数据集取自 BMKG（印度尼西亚非政府机构）管理的地震资料库。BMKG 于 2023 年初更改了其站点设计，从而产生了两个不同的数据集。
新数据集 ( katalog_gempa_v2.tsv) 取自包含震源机制数据（如果有）的初步地震目录。它包含 2008 年 11 月 1 日至 2024 年 4 月 9 日的地震事件数据，但对于最近记录的一些地震事件可能不准确。此数据集中有 38 个变量，每个变量都有一个描述性名称。
另一方面，旧数据集（katalog_gempa.csv）包含从 2008 年 11 月 1 日到 2023 年 1 月 26 日的地震事件数据。该数据集中收集的变量包括：
tgl：活动日期
ot：事件的时间戳
lat：震中纬度（度），范围从北纬 6 度到南纬 11 度
lon：事件震中的经度（度），范围从东经 142 度到东经 94 度
depth：事件深度（km）
mag：事件的量级，范围从 1 到 9.5
remark：弗林-恩达尔地区活动
有时，会测量事件的震源机制。此时，dip1、strike1、rake1、dip2、strike2和rake2值不为空
地震数据集-包含 2001 年 1 月 1 日至 2023 年 1 月 1 日期间发生的 782 次地震
数据集包含 2001 年 1 月 1 日至 2023 年 1 月 1 日期间发生的 782 次地震记录。各列含义如下：
title：地震的标题名称
震级：地震的震级
date_time：日期和时间
cdi：事件范围的最大报告强度
mmi：该事件的最大估计仪器强度
警报：警报级别 - “绿色”、“黄色”、“橙色”和“红色”
海啸：发生在海洋地区的事件为“1”，其他地区为“0”
sig：描述事件重要程度的数字。数字越大，表示事件越重要。该值取决于多种因素，包括：震级、最大 MMI、有感报告和估计影响
net：数据提供者的 ID。标识被视为此事件的首选信息源的网络。
nst：用来确定地震位置的地震台站总数。
dmin：震中到最近站点的水平距离
间隙：方位角相邻台站之间的最大方位角间隙（以度为单位）。一般来说，这个数字越小，计算出的地震水平位置越可靠。方位角间隙超过 180 度的地震位置通常具有较大的位置和深度不确定性
magType：用于计算事件优选震级的方法或算法
深度：地震开始破裂的深度
纬度/经度：可用来确定和描述地球表面上任何地点的位置或地点的坐标系统
位置： 国内位置
大陆：地震
华为杯第十九届中国研究生数学建模获奖论文(草原放牧策略研究)
草原在维护生物多样性、涵养水土、净化空气、固碳、调节水土流失和沙尘暴等方面
具有重要的生态功能。草原上合理的放牧政策是带动区域经济、防止草原沙漠化及保障民
生的关键，现代草地资源的经营应遵循可持续发展原则。本文将围绕锡林郭勒草原放牧优
化问题展开研究，为制定放牧政策和草原管理决策提供科学的依据。
针对问题一：分析附件中 3、4、15 中的数据信息并挖掘其中的信息。首先，把不同
放牧策略即放牧方式、放牧强度定义为自变量。其次，将土壤物理性质中的土壤湿度以及
植被生物量定为因变量，为了简化模型，将放牧方式定为比例系数 M(t)并指定范围区间为
[0,1]，借助 Woodward 工具得出放牧策略与植被生物量之间的微分方程。然后，根据土壤-
植被-大气系统的水平衡基本方程并具体分析锡林郭勒草原的地形地势，从而建立放牧强度
与土壤湿度之间的微分方程关系。最后，依据模型可知轻度放牧条件下对植被生长的促进
能力最强，重度放牧则会对植被造成破坏。
针对问题二，根据土壤湿度数据、土壤蒸发数据以及降水等数据，建立模型对保持目
前放牧策略不变情况下对 2022 年、2023 年不同深度土壤湿度进行预测。首
医院感染数据集
有关医院感染和绩效衡量的详细信息
医院感染数据集包含有关各医院感染措施和绩效指标的全面信息。这些数据包括有关医院的详细信息，例如医院的位置、感染措施类型、绩效分数以及与国家基准的比较。该数据集可用于分析医院在感染控制和预防方面的表现。
该数据集可用于分析医院在感染控制方面的表现、将医院与国家基准进行比较以及开展流行病学研究。对于旨在改善感染预防策略和医院表现的研究人员、公共卫生官员和医疗保健提供者来说，它很有价值。
PhiUSIIL 网络钓鱼 URL数据集
PhiUSIIL 钓鱼 URL 数据集是一个庞大的数据集，包含 134,850 个合法 URL 和 100,945 个钓鱼 URL。在构建数据集时，我们分析的大多数 URL 都是最新的 URL。特征是从网页和 URL 的源代码中提取的。CharContinuationRate、URLTitleMatchScore、URLCharProb 和 TLDLegitimateProb 等特征均来自现有特征。
PhiUSIIL：基于相似度指数和增量学习的多样化安全配置文件增强的网络钓鱼 URL 检测框架，
作者：Arvind Prasad 和 Shalini Chandra。2024
发表于计算机与安全
伊维菌素对肠道菌群影响的数据集
伊维菌素对肠道微生物生态系统的影响
在向系统添加伊维菌素之前和之后，使用 SHIME（人体肠道微生物生态模拟器）对人体肠道微生物群（3 名供体）进行体外培养。这些添加是在生物反应器上进行的，这些生物反应器已在补充了可溶性或不溶性纤维或无添加对照的培养基背景下稳定下来。收集的数据包括 16S rRNA 基因扩增子测序和短链脂肪酸 (SCFA) 浓度。
疟疾检测数据集
通过显微血涂片图像检测疟疾的数据集
疟疾检测数据集旨在训练和评估机器学习模型，以便从血涂片的显微图像中检测疟疾。该数据集由 JPG 格式的高分辨率图像（224x224 像素）组成，可确保模型训练和评估的一致性和质量。
训练文件夹：
包含 13,152 张用于训练机器学习模型的图像。该数据集用于学习与疟疾感染和未感染血细胞相关的模式和特征。
测试文件夹：
包含 1,253 幅图像，用于测试已训练模型的性能。此集合用于评估模型的准确性和泛化能力。
验证文件夹：
包含 626 张用于训练过程中验证的图像。此集合有助于调整模型的超参数并做出有关模型架构的决策以防止过度拟合。
综合新闻文章数据集
用于多领域分析的全方位新闻文章数据集
综合新闻文章数据集
该数据集是从各种来源收集的新闻文章的集合，涵盖技术、体育、金融、政治、教育和健康等多个类别。它旨在为自然语言处理 (NLP) 任务、情绪分析、主题建模和其他机器学习应用提供多样化且广泛的数据集。
该数据集包括以下类别的文章：
技术
运动的
金融
政治
教育
健康
娱乐
每篇文章都附有以下属性：
source：检索文章的来源。
author：文章的作者。
title：文章的标题。
description：文章的简要描述或摘要。
url：完整文章的URL。
urlToImage：与文章相关的图像的 URL。
publishedAt：文章的发表日期。
content：文章的全部内容。
category：文章所属的类别。
用法
该数据集可用于多种任务，包括：
文本分类
情绪分析
主题建模
命名实体识别
以及许多其他 NLP 和机器学习任务
FAANG/MAAMA 股票价格 OHLCV
自 2000 年以来每日更新的历史股价，来自雅虎财经 API 的 FAANG + M 股票价格：
Facebook/Meta
苹果
亚马逊
奈飞
谷歌/Alphabet
微软
数据集包括所有股票的每日开盘价、最高价、最低价、收盘价、调整收盘价、成交量。大多数价格似乎根据拆分、股息和其他公司行为进行了调整。
成年人人口普查收入数据集
该数据由 Ronny Kohavi 和 Barry Becker（数据挖掘和可视化，Silicon Graphics）从 1994 年人口普查局数据库中提取。使用以下条件提取了一组相当干净的记录：((AAGE>16) && (AGI>100) && (AFNLWGT>1) && (HRSWK>0))。预测任务是确定一个人的年收入是否超过 5 万美元。
fnlwgt（最终重量）的描述
当前人口调查 (CPS) 文件的权重受美国非机构平民人口的独立估计值控制。这些是由人口普查局人口司每月为我们准备的。我们使用 3 组控制。它们是：
每个州 16 岁以上人口的单细胞估计值。
按年龄和性别控制西班牙裔血统。
按种族、年龄和性别控制。
我们在加权程序中使用所有三组控制，并“仔细”检查它们 6 次，以便最后回到我们使用的所有控制。术语估计是指通过创建人口的任何特定社会经济特征的“加权计数”从 CPS 得出的人口总数。具有相似人口特征的人应该具有相似的权重。关于此陈述，有一个重要的警告需要记住。那就是由于 CPS 样本实际上是 51 个州样本的集合，每个样本都有自己的选择概率。
吸烟 100 年：全球趋势 (1924-2023)
详细了解全球吸烟模式和青少年吸烟趋势
分析历史趋势：识别并直观呈现过去一个世纪吸烟习惯和相关统计数据的主要趋势。
按国家比较关键指标：提供不同国家吸烟相关指标的比较分析。
关注青少年吸烟趋势：研究青少年吸烟比例的趋势并分析其影响。
基于SpringBoot的虫草鉴定及科普平台设计与实现
草市场存在以假乱真、以次充好的乱象，同时部分虫草消费者缺乏专业的虫草知识，针对上述问题，本文设计与实现了基于SpringBoot的虫草鉴定及科普平台，旨在减轻虫草市场乱象，提供虫草知识科普，有力保障虫草消费者的权益。
本平台以SpringBoot为开发技术，通过web平台，实现了一个基于SpringBoot的虫草鉴定及科普平台。该平台面向普通用户与虫草鉴定师用户，包括虫草科普、虫草鉴定功能。在设计方面，运用SpringBoot技术，采用My SQL数据库搭建了B/S架构的web平台。论文主要首先介绍了虫草市场的现状及问题，其次对系统进行需求分析和总体设计，然后针对整个系统来完成概要设计以及详细的设计与系统的实现，最后进行系统测试。
KMeans+KNN实现乳腺癌预测(高分课设+可视化)
设计目的：预测乳腺癌症的Class，即良性还是恶性
（1）数据读取与缺失值处理
（2）kmeans聚类
选取特征进行聚类，聚类结果作为新的特征
查看了各个指标的kemans聚类和雷达图结果
（3）模型训练与测试
8：2划分数据集，寻找了最佳得k值，进而训练并测试knn模型，同时查看knn分类的准确率
基于深度学习的口罩佩戴检测研究
首先，在口罩配佩戴检测之前需实现人脸的定位，具体实现为基于opencv，通过CascadeClassifier 级联分类器实现对人脸的实时检测，然后将人脸定位结果进行裁剪，输入训练好的cnn模型进行预测，然后同步预测结果，可是实现口罩佩戴的实时检测。
随着新冠疫情的爆发，口罩成为了一种重要的防止病毒传播的手段。然而，有些人并不遵守佩戴口罩的规定，也有些人佩戴口罩的方式不正确，这可能会增加病毒的传播风险。因此，为了监督公共场所的口罩佩戴情况、预防疫情的扩散以及保护公众健康，研究开发能够自动检测佩戴口罩的技术具有重要意义。
基于深度学习的口罩检测研究，是通过利用深度学习算法对图像进行分析和处理，从而实现对佩戴口罩的检测。这项技术主要包括两个方面：人脸检测和口罩检测。人脸检测是指在图像中准确地定位人脸的位置，而口罩检测则是在定位到人脸的基础上，判断该人脸是否佩戴口罩。
预测商业航班延误数据集
2024 年 1 月美国每趟商业航班的数据（包括延误和原因）
关于数据集
该数据集提供了 2024 年 1 月美国商业航班的全面记录。它为研究人员、数据分析师以及任何有兴趣了解美国航空旅行模式的人提供了宝贵的见解。
主要特征：
航班详情：包括出发和目的地机场、航班号、航空公司、预定和实际出发/到达时间以及飞机类型等信息。
航班时刻表数据：提供航班时刻表的洞察，包括计划的出发和到达时间、潜在延误和取消情况。这可以分析准时情况和影响航班时刻表的潜在因素。
潜在用例：
航空旅行研究：分析航线、航空公司和飞机利用率的趋势。
出行需求分析：了解不同路线和一周中各天的客流量模式。
航班性能评估：评估不同航空公司和航线的准点率、延误和取消情况。
预测模型：开发模型来预测未来的航班延误、取消和乘客需求。
水稻作物病害图像数据集
识别水稻作物病害
水稻作物病害
许多疾病会严重影响水稻作物的产量和质量。水稻白斑病是由水稻黄单胞菌（Xanthomonas oryzae pv. oryzae）引起的，这种病害会导致叶片上出现水渍状条纹，叶片变黄变褐，并导致叶片枯萎。稻瘟病是由稻瘟病菌引起的，稻瘟病的特征是稻穗、节和叶片上出现菱形病变。这会导致稻粒灌浆减少和植物组织损失。褐斑病是由稻瘟病根腐病菌引起的，叶片上会出现微小的圆形褐色病变。这种情况会降低光合作用，从而降低稻粒质量和产量。稻曲病是由黑粉菌引起的，它会影响稻粒质量和产量，因为它会形成黄绿色的孢子球，最终会变成橙色或黑色。有效管理这些疾病的方法包括使用抗性品种、轮作、平衡施肥以及使用适当的杀菌剂或杀虫剂
本数据集包含200幅水稻叶片病害图像，图像根据病害类型分为4类，每类50幅。
细菌性叶枯病
爆破
褐斑病
假黑穗病
洪水预测数据集
基于完整数据集的洪水预测回归
洪水探测是指识别、监测和警告当局或个人有关特定区域内发生洪水或发生洪水的可能性。它涉及使用各种技术和方法来检测、预测和减轻洪水的影响。洪水预测是一个重要的研究领域，因为它对人类生活、基础设施和环境有重大影响。准确的洪水预测模型可以帮助做好防灾和风险管理，减少洪水的不利影响。
本研究使用的数据集来自flood.csv，包含与洪水预测相关的多个特征，包括环境因素和社会经济指标。该数据集有50000行和21列。
该数据集包括 21 个数字变量，例如“季风强度”、“地形排水”、“河流管理”、“森林砍伐”、“城市化”、“气候变化”、“水坝质量”、“淤积”、“农业实践”、“侵占”、“无效的灾害准备”、“排水系统”、“沿海脆弱性”、“山体滑坡”、“流域”、“基础设施恶化”、“人口得分”、“湿地损失”、“规划不足”、“政治因素”和“洪水概率”。
这些数字列中没有缺失值。 数据集不包含分类变量。所有列都是 int64 类型。这使得数据集通常适用于无需大量预处理的回归模型。
维多利亚州道路交通事故数据（2012-2023 年）
2012 年至 2023 年澳大利亚维多利亚州综合道路交通事故数据
该数据集包含 2012 年至 2023 年澳大利亚维多利亚州发生的道路交通事故的详细信息。每条记录都包含事故编号、日期、时间、类型和事故描述代码的数据。还提供了其他详细信息，例如星期几、光照条件、道路几何形状、事故严重程度、限速区和道路管理权限。
该数据集可用于多种用途，包括交通安全分析、公共卫生研究、城市规划和政策制定。通过了解道路事故的模式和原因，利益相关者可以实施更有效的措施，以减少事故发生的频率和严重程度，最终挽救生命并提高道路安全。
心理健康抑郁症数据集
各国家和各年份的精神健康障碍患病率
心理健康抑郁症数据集提供了多年来不同国家各种心理健康障碍患病率的全面信息。该数据集包括精神分裂症、躁郁症、饮食失调、焦虑症、药物滥用障碍、抑郁症和酒精滥用障碍的数据。它是分析心理健康障碍趋势和了解全球精神疾病负担的宝贵资源。
**用法： **
该数据集可用于分析精神健康障碍趋势、比较不同国家和年份不同障碍的患病率以及开展流行病学研究。对于旨在了解和解决全球精神疾病负担的研究人员、公共卫生官员和精神卫生专业人员来说，它非常有价值。
**致谢：**
我们感谢国际卫生组织和研究机构的贡献，他们将这些数据公开用于研究和分析。
Covid19数据集
Covid 19 数据集提供了适合统计分析的国家数据
该数据集提供了有关 covid 19 的最新全球统计数据——以国家/地区格式呈现的总病例数、死亡人数、康复患者人数，使其适合数据分析和聚类。
该数据集已更新至 2024 年。
可用文件为 CSV 格式。
电动汽车保有量数据集
华盛顿州电动汽车保有量数据
该数据集显示了目前通过华盛顿州许可证部门 (DOL) 注册的电池电动汽车 (BEV) 和插电式混合动力电动汽车 (PHEV)。
尼泊尔车辆牌照数据集
代表各种场景的尼泊尔车牌数据集
概述
该数据集包含约 2,500 张尼泊尔车辆的车牌图像。这些图像是在各种条件下拍摄的，包括不同的位置、一天中的时间、光照情况、距离和环境条件。标签文件是可用于分割目的的边界框注释。
车牌人物的分类数据集可以通过以下链接访问：
尼泊尔车牌字符数据集
数据集结构
数据集包含两个文件夹images和labels。
images包含车牌图像
labels包含每个板块的注释文件（边界框格式x, y, w, h）
labels.txt注释文件的注释名称列表（仅包含一个注释标签character）
主要特征
图片数量：约 2,500 张
多变性：不同的地点、一天中的时间、光照条件、距离和环境设置
焦点：多样化场景的尼泊尔车牌
图像分辨率：不同
注解
具有单个类别（字符）的边界框，格式为 x、y、w、h。与 YOLO 格式兼容。
在线课程使用情况和历史数据集
有关课程类别、时长、报名、费率、平台的详细数据
在线课程使用情况和历史数据集
有关课程类别、时长、报名、费率、平台的详细数据
该数据集包含10,000门在线课程的信息，包括课程ID、名称、类别、时长、注册人数、完成率、平台、价格、评分等属性。它提供了跨不同平台和类别的各种在线课程的全面视图。
该数据集可用于分析在线学习趋势、比较平台、可视化报告和建立预测模型。
特斯拉股票市场数据集（2010-2024）
特斯拉十年股价表现
数据集概述
该数据集包含来自雅虎财经的特斯拉公司 (TSLA) 历史股票市场数据，时间跨度为 2010 年 6 月 29 日至 2024 年 6 月 1 日。该数据集包含各种功能，可深入了解该股在此期间的表现。
列
日期：交易日期。
开盘价：特斯拉股票在指定日期的开盘价。
最高价：交易时段内股票的最高价格。
最低价：交易时段内股票的最低价格。
收盘价：股票在指定日期的收盘价。
调整收盘价：股票的调整收盘价，考虑了股票分割和股息等任何公司行为。
成交量：指定日期交易的股票数量。
用法
对于任何有兴趣探索和了解特斯拉多年来股票表现趋势和模式的人来说，该数据集都是宝贵的资源。它可用于各种分析目的，包括：
时间序列分析和预测。
股票价格趋势分析。
金融建模和算法交易策略。
与股票价格走势相关的情绪分析。
亚马逊股票价格（1997-2023 年）
1997 年至 2021 年亚马逊的股价
该 CSV 文件包含 1997 年 5 月 15 日至 2023 年 4 月 5 日亚马逊 (AMZN) 的历史股价数据。数据集包括以下列：
日期：交易日的日期。
开盘价：当日股票的开盘价。
最高价：股票在交易日内达到的最高价格。
最低价：股票在交易日内达到的最低价。
收盘价：当日股票的收盘价。
调整收盘价：经过调整的收盘价，考虑了股息、股票分割和其他调整。
成交量：当日交易的股票数量。
统计摘要
日期范围
最早日期：1997年5月15日
最晚日期：2023 年 4 月 5 日
数据很重要
总记录数：数据跨越约 26 年，每年有多条记录。以下是指定日期范围内记录的细分：
1997 年 5 月 15 日 - 1999 年 12 月 16 日：654 条记录
1999 年 12 月 16 日 - 2002 年 7 月 19 日：648 条记录
2002 年 7 月 19 日 - 2005 年 2 月 18 日：652 条记录
2005 年 2 月 18 日 - 2007 年 9 月 22 日：651 条记录
2007 年 9 月 22 日 - 2010 年 4
全球甲烷排放量（1990-2018）
全球甲烷历史排放量
甲烷是在煤炭、天然气和石油的生产和运输过程中排放的。甲烷排放还来自牲畜和其他农业实践、土地使用以及城市固体废物填埋场中有机废物的腐烂。甲烷是第二重要的温室气体。它比二氧化碳更有效，因为每个分子产生的辐射强迫更大。此外，在甲烷吸收的辐射波长范围内，红外窗口饱和度较低，因此该区域可能会填充更多分子。然而，它在大气中的浓度远低于二氧化碳，其在大气中的体积浓度通常以十亿分之一 (ppb) 而不是 ppm 来衡量。甲烷在大气中的停留时间也比二氧化碳短得多（甲烷的停留时间大约为 10 年，而二氧化碳则为数百年）
内容
1990 年至 2018 年全球甲烷历史排放量。
地震感知数据集
那不勒斯地震事件的公众反应和情绪反应分析
那不勒斯地震事件的公众反应和情绪反应分析
关于数据集
抽象的：
该数据集收集了 Antonio Cola 和 Rosario Urso 进行的一项调查的数据，他们拥有那不勒斯费德里科二世大学的决策统计科学硕士学位。该研究分析了个人对地震事件的看法，特别参考了 2023 年 10 月 31 日至 11 月 16 日期间发生在坎皮佛莱格瑞地区的地震活动。
研究目标：
该研究的目的是研究不同人群如何感知和应对地震事件，确定“地震压力”的关键成分，并评估基于性别、就业状况、收入、婚姻状况和教育水平等变量的感知和反应差异。
学生表现数据集-高中生学业成功的因素分析
关于数据集
该数据集包含 2,392 名高中生的全面信息，详细介绍了他们的人口统计、学习习惯、父母参与、课外活动和学业成绩。目标变量GradeClass将学生的成绩分为不同的类别，为教育研究、预测建模和统计分析提供了强大的数据集。
学生信息
学生卡
人口统计详情
学习习惯
家长参与
课外活动
学业成绩
目标变量：年级
学生信息
学生卡
StudentID：分配给每个学生的唯一标识符（1001 至 3392）。
人口统计详情
年龄：学生年龄在15至18岁之间。
性别：学生的性别，其中 0 代表男性，1 代表女性。
种族：学生的种族，编码如下：
0：白种人
1：非洲裔美国人
2. 亚洲
3：其他
ParentalEducation：父母的教育水平，编码如下：
0：无
1. 高中
2：一些大学
3：学士学位
4：更高
学习习惯
StudyTimeWeekly：每周学习时间（小时），范围从 0 到 20。
缺勤：学年期间缺勤的次数，范围从 0 到 30。
辅导：辅导状态，其中 0 表示否，1 表示是。
家长参与
ParentalSupport：父母支持程度，编码如下：
0：无
1：低
2：
健身房顾客特征和流失数据集
客户行为特征预测客户流失并确定客户流失率
“通过数据分析实施有效的客户保留策略非常必要。主要目标是预测下个月客户流失的概率，确定关键客户资料，并制定具体建议以提高客户保留率和满意度。这将有助于优化客户体验并增强他们的忠诚度。”
数据集特征字段
Churn- 当前月份的取消
当前数据集字段：
上个月的用户数据
gender.
Near_Location- 如果用户居住或工作在健身房所在的社区。
Partner- 如果用户在关联公司工作（健身房有关联公司，其员工可享受折扣；在这些情况下，健身房会存储有关客户雇主的信息）。
Promo_friends- 如果用户最初通过“带朋友来”优惠注册（他们在支付第一笔订阅费时使用了朋友的促销代码）。
Phone- 如果用户提供了他们的电话号码。
Age.
Lifetime- 自用户第一次到达健身房以来的时间（以月为单位）。
水质监测数据集-澳大利亚布里斯班河的水质测量
描述
该数据集包含水体物理化学参数的测量值以及每隔三十分钟对水流方向和速度的现场读数。这些数据可用于建立时间序列模型和探索测量值之间的相关性，以及调查河流全年的变化情况。
指标(20个指标)
时间戳
平均水速
平均水流方向
叶绿素
温度
ph
盐度
电导率
浊度
溶解氧
RSS订阅
1222
3
