导读：学习机器学习是一个不断探索和实验的过程，因此，本文将主要介绍常见的开源数据集，便于读者学习和实验各种机器学习算法。
作者：张春强 张和平 唐振
来源：大数据DT（ID：hzdashuju）
01 开源数据集介绍
在学习机器学习算法的过程中，我们经常需要数据来学习和试验算法，但是找到一组适合某种机器学习类型的数据却不那么方便。下文对常见的开源数据集进行了汇总。
1. UCI数据集
类型：比较全面，各类型数据都有涉及
网址：
http://archive.ics.uci.edu/ml/datasets.php
2. Kaggle竞赛数据集
类型：比较全面，各类型数据都有涉及
网址：https://www.kaggle.com/datasets
3. ImageNet
类型：计算机视觉数据
网址：http://image-net.org/
4. VisualData
类型：计算机视觉数据
网址：https://www.visualdata.io/
5. MS COCO
类型：计算机视觉数据
网址：http://mscoco.org/
6. Stanford CoreNLP
类型：情感分析数据
网址：
http://nlp.stanford.edu/sentiment/code.html
7. IMDB
类型：情感分析数据
网址：
http://ai.stanford.edu/~amaas/data/sentiment/
8. Sentiment140
类型：情感分析数据
网址：
http://help.sentiment140.com/for-students/
9. HotspotQA
类型：自然语言处理
网址：https://hotpotqa.github.io/
10. Enron Email
类型：自然语言处理
网址：https://www.cs.cmu.edu/~./enron/
11. Amazon
类型：自然语言处理
网址：
https://snap.stanford.edu/data/web-Amazon.html
12. 百度Apolloscapes
类型：自动驾驶
网址：http://apolloscape.auto/
13. Berkeley DeepDrive
类型：自动驾驶
网址：http://bdd-data.berkeley.edu/
14. Robotcar
类型：自动驾驶
网址：
http://robotcar-dataset.robots.ox.ac.uk/
15. Data.gov
类型：公共政府数据集
网址：https://www.data.gov/
16. Food Environment Atlas
类型：公共政府数据集
网址：
https://catalog.data.gov/dataset/food-environment-atlas-f4a22
17. Annual Survey of School System Finances
类型：公共政府数据集
网址：
https://catalog.data.gov/dataset/annual-survey-of-school-system-finances
18. NCES
类型：公共政府数据集
网址：https://nces.ed.gov/
19. Data USA
类型：公共政府数据集
网址：http://datausa.io/
20. 中国国家统计局
类型：公共政府数据集
网址：http://www.stats.gov.cn/
21. Quandl
类型：金融与经济数据集
网址：https://www.quandl.com/
22. WorldBank
类型：金融与经济数据集
网址：https://data.worldbank.org/
23. IMF
类型：金融与经济数据集
网址：https://www.imf.org/en/Data
24. Markets
类型：金融与经济数据集
网址：https://markets.ft.com/data/
25. Google Trends
类型：金融与经济数据集
网址：
http://www.google.com/trends?q=google&ctab=0&geo=all&date=all&sort=0
26. US Macro Regional
类型：金融与经济数据集
网址：
https://www.aeaweb.org/resources/data/us-macro-regional
27. Google Audioset
类型：语音数据集
网址：
https://research.google.com/audioset/
28. 2000 HUB5 English
类型：语音数据集
网址：
https://catalog.ldc.upenn.edu/LDC2002T43
29. LibriSpeech
类型：语音数据集
网址：http://www.openslr.org/12/
02 scikit-learn中的数据集
scikit-learn是Python中进行数据挖掘和建模中常用的机器学习工具包。scikit-learn的datasets模块主要提供了一些导入、在线下载及本地生成数据集的方法。模块的主要函数如下所示。
sklearn.datasets.load_<name>：自带数据集（数据量较小）
sklearn.datasets.fetch_<name>：在线下载的数据集
sklearn.datasets.make_<name>：生成指定类型的随机数据集
sklearn.datasets.load_svmlight_file：svmlight/libsvm格式的数据集
sklearn.datasets.fetch_mldata：mldata.org在线下载数据集
自带数据集的datasets模块里包含自带数据集，使用load_*加载即可，使用示例如下所示。
from sklearn.datasets import load_iris
data = load_iris()
# 查看数据描述
print(data.DESCR)
X = data.data
y = data.target
自带数据集的基本信息及序号30、31、32的自带数据集做简单的介绍如下。读者也可以使用data.DESCR，查看其英文描述。
30. 波士顿房价数据集
调用方法：load_boston
模型类型：回归
数据规模(样本*特征)：506*13
这个数据集包含了506处波士顿不同地理位置的房产的房价数据（因变量），房屋以及房屋周围的详细信息（自变量），其中包含城镇犯罪率、一氧化氮浓度、住宅平均房间数等13个维度的数据，波士顿房价数据集能够应用到回归问题上。波士顿房价数据集与属性描述如下所示。
CRIM：城镇人均犯罪率。
ZN：住宅用地超过25000平方英尺的比例。
INDUS：城镇非零售商用土地的比例。
CHAS：查理斯河空变量（如果边界是河流，则为1；否则为0）。
NOX：一氧化氮浓度。
RM：住宅平均房间数。
AGE：1940 年之前建成的自用房屋比例。
DIS：到波士顿五个中心区域的加权距离。
RAD：辐射性公路的接近指数。
TAX：每10000 美元的全值财产税率。
PTRATIO：城镇师生比例。
MEDV：自住房的平均房价，以千美元计。
31. 鸢尾花数据集
调用方法：load_iris
模型类型：分类
数据规模(样本*特征)：105*4
鸢尾花数据集是一个非常经典的数据集，著名的统计学家Fisher在研究判别分析问题时收集了一些关于鸢尾花的数据，包含了150个鸢尾花样本，对应3种鸢尾花，各50个样本，以及它们各自对应的4种关于外形的数据（自变量）。该数据集可用于多分类问题，测量数据如下所示。
sepal length (cm)：萼片长度。
sepal width (cm)：萼片宽度。
petal length (cm)：花瓣长度。
petal width (cm)：花瓣宽度。
类别共分为三类：Iris Setosa、Iris Versicolour和Iris Virginica。
32. 手写数字数据集
调用方法：load_digits
模型类型：分类
数据规模(样本*特征)：1797*64
这个数据集是结构化数据的经典数据，共有1797个样本，每个样本有64个元素，对应一个8×8像素点组成的矩阵，矩阵中值的范围是0～16，代表颜色的深度，控制每一个像素的黑白浓淡，所以每个样本还原到矩阵后代表一个手写体数字。
33. 糖尿病数据集
调用方法：load_diabetes
模型类型：回归
数据规模(样本*特征)：422*10
34. 葡萄酒数据集
调用方法：Load_wine
模型类型：分类
数据规模(样本*特征)：178*13
35. 乳腺癌数据集
调用方法：load_breast_cancer
模型类型：分类
数据规模(样本*特征)：569*30
36. 体能训练数据集
调用方法：load_linnerud
模型类型：多元回归
数据规模(样本*特征)：20*3
scikit-learn在线下载数据集的datasets模块包含在线下载数据集的方法，调用fetch_*接口从网络下载，示例如下所示。
from sklearn.datasets import fetch_20newsgroups
newsgroups_train = fetch_20newsgroups(subset='train')
newsgroups_test = fetch_20newsgroups(subset='test')
注意，fetch_*接口由于需要从国外网址下载数据，速度可能很慢！
在线下载数据集的基本信息如下所示。
37. Olivetti脸部图像数据集
调用方法：fetch_olivetti_faces
模型类型：降维
数据规模(样本*特征)：400*64*64
38. 20类新闻分类数据集（文本）
调用方法：fetch_20newsgroups
模型类型：分类
数据规模(样本*特征)：18846*1
39. 20类新闻文本数据集（特征向量）
调用方法：fetch_20newsgroups_vectorized
模型类型：分类
数据规模(样本*特征)：18846*130107
40. 带标签的人脸数据集
调用方法：fetch_lfw_people
模型类型：分类
数据规模(样本*特征)：13233*5828
41. 路透社新闻语料数据集
调用方法：fetch_rcv1
模型类型：分类
数据规模(样本*特征)：804414*47236
42. 加州住房数据集
调用方法：fetch_california_housing
模型类型：回归
数据规模(样本*特征)：20640*8
43. 森林植被
调用方法：fetch_covtype
模型类型：多分类
数据规模(样本*特征)：581012*54
scikit-learn包括用于以svmlight/libsvm格式加载数据集的实函数。在这种格式中，每一行都采用表格，此格式特别适用于稀疏数据集。在该模块中，使用SciPy稀疏CSR矩阵，并使用numpy数组，示例如下。svmlight / libsvm格式的公共数据集可以从网上下载。
网址：
https://www.csie.ntu.edu.tw/~cjlin/libsvmtools/datasets/
from sklearn.datasets import load_svmlight_file
X_train , y_train = load_svmlight_file （"/ path / to / train_dataset.txt " ）newsgroups_test = fetch_20newsgroups(subset='test')
openml.org是机器学习数据和实验的公共存储库，允许每个人上传开放数据集。sklearn.datasets能够从存储库下载数据集。示例如下：
from sklearn.datasets import fetch_openml
mice = fetch_openml(name='miceprotein', version=4)
print(mice.DESCR)
mice.url
更多数据集信息描述请查看官网：
https://www.openml.org/search?type=data
关于作者：张春强，是一位具有3年C/C++、7年大数据和机器学习经验且富有创造力的技术专家，在技术一线摸爬滚打近10年，先后就职于大型IT、世界500强企业，目前就职于某大型金融科技集团，负责数据挖掘、机器学习相关工作的管理和研发。
张和平，现就职于某互联网金融集团科技公司，任大数据模型工程师，负责机器学习在金融风控和用户运营方面的应用工作，善于运用机器学习、数据挖掘、知识图谱和大数据技术解决实际的业务问题。在大数据风控建模、用户画像、大数据平台建设等方面有丰富的实践经验。
本文摘编自《机器学习：软件工程方法与实现》，经出版方授权发布。
延伸阅读《机器学习：软件工程方法与实现》
点击上图了解及购买
转载请联系微信：DoctorData
推荐语：大型金融集团专家撰写，将软件工程方法、工具和策略应用到机器学习，提供高质量代码设计和工业应用框架。
划重点????
干货直达????
更多精彩????
在公众号对话框输入以下关键词
查看更多优质内容！
PPT | 读书 | 书单 | 硬核 | 干货 | 讲明白 | 神操作
大数据 | 云计算 | 数据库 | Python | 可视化
AI | 人工智能 | 机器学习 | 深度学习 | NLP
5G | 中台 | 用户画像 | 1024 | 数学 | 算法 | 数字孪生
据统计，99%的大咖都完成了这个神操作
????
7414
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
