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

1. 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）

2. 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）

3. 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

1. 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。

2. NASA Open Data
   🔗 https://data.nasa.gov

   • 卫星影像、气候数据。

3. European Union Open Data Portal

        🔗 https://data.europa.eu

四、实用建议

1. 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）

2. 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）。