CDA數據分析師 出品

作者：Andrew Lombarti

編譯：Mika

Kaggle是一個很流行的數據科學競賽平臺。在上面，你不僅可以參加各種數據分析題競賽，還可以通過各行業的真實數據集來實踐自己的技能。

在本文中我們將介紹10個數據集，從適合新手小白到高級進階人群的都有。這些數據集非常有趣，而且還很適合在面試前練習技能。

下面讓我們一起來看看吧！

01、泰坦尼克號數據集（初級）

泰坦尼克號數據集是Kaggle上最熱門的數據集之一。這是一個很好的入門數據集，當中涉及到13個變量和超過1500個記錄。該數據集中包含了乘坐泰坦尼克號的乘客信息。

目標是根據乘客的特征來預測他們是否能幸存下來。根據數據集，你可以看到已婚女性比單身男性有更高的存活概率。

該數據集中的變量有：

• 年齡
• 性別
• 已婚或單身
• 船票等級（一等、二等、三等）
• 上船地點（倫敦、南安普敦）
• 乘客票號
• ……

關于如何處理這個數據集，網上已經有很多教程了。如果你想挑戰一下自己，不妨試著預測乘客在不同地點登船的存活率。

泰坦尼克號數據集鏈接：

https://www.kaggle.com/c/titanic

02、鳶尾花數據集（初級）

這個數據集是一個經典的二進制分類問題。目的是通過花萼長度，花萼寬度等屬性預測鳶尾花屬于（Setosa(山鳶尾)，Versicolour(雜色鳶尾)，Virginica(維吉尼亞鳶尾)）三個種類中的哪一類。

例如，山鳶尾的花瓣較短，萼片較寬。假如花瓣長度大于3厘米，萼片小于6厘米，那么這種花很可能屬于山鳶尾。

此數據集中的變量如下：

• 花瓣長度
• 萼片寬度
• 花瓣長度
• ……

同樣有許多可用于處理該數據集的教程。其中最流行的是“在鳶尾花數據集上使用Scikit Learn”。對于初學者來說，這是一個非常好的教程，當中因展示了如何使用scikit learn，還具有預構建的功能，能幫你輕松地訓練模型。

鳶尾花數據集鏈接：

https://www.kaggle.com/uciml/iris

03、列車數據集（初級）

列車數據集也是Kaggle上很熱門的一個數據集。該數據集包含了乘坐往返于波士頓和華盛頓特區的美鐵列車上的乘客信息。

目的是預測乘客是否會在某站下車。根據數據集，可以看到在巴爾的摩下車的乘客比在費城下車的乘客下車的概率更高。

數據集中的變量如下：

• 年齡
• 軌道類型（公路、貨運）
• 周末或節假日
• ……

根據這些變量，有多種方法可以預測某人是否會在某站下車。

列車數據集鏈接：

https://www.kaggle.com/c/train-occupancy-prediction/data

04、波士頓住房數據集（初級）

波士頓住房數據集包含波士頓市住房的信息。當中有超過20萬條記錄和18個變量，目標是預測房價是否昂貴。數據集有三個不同的類別，分別是：昂貴、正常以及便宜。

當中的變量包括：

• 臥室數量
• 浴室數量
• 平均房間數
• ……

如果你對數據科學領域感興趣，這個數據集是一個很好的嘗試。內容有趣而且不是太難。

波士頓住房數據集鏈接：

https://www.kaggle.com/c/boston-housing

05、酒精與藥物關系（中級）

酒精和藥物關系數據集是練習數據可視化技能的絕佳數據集。它包含關于不同藥物之間相互作用的信息。

該數據集的目標是根據兩種藥物的化學結構，從而預測它們是否會相互作用。例如，數據集中表示布洛芬和撲熱息痛可以相互作用，因為它們都是抗炎藥（NSAIDs）。

數據集中的變量包括：

• 藥物A結構（化合物）
• 藥物B結構（化合物）
• 藥物A和B活性（是/否）
• ……

這是一個很好的數據集，可以用來練習數據可視化技能。你可以在當中試著創建圖表，顯示不同藥物之間的相互作用。

酒精與藥物數據集鏈接：

https://www.kaggle.com/jessicali9530/kuc-hackathon-winter-2018

06、威斯康辛州乳腺癌（中級）

對于那些在數據科學方面比較有經驗的人來說，威斯康星州乳腺癌數據集是一個很大的挑戰。這個數據集包含了威斯康星州的乳腺癌患者的信息。

該數據集的目標是根據病人的特征來預測是否患有癌癥。

例如，你可以從數據集中看到，腫瘤大小若小于0.50厘米，患者有98%的生存機會，而腫瘤大小大于或等于0.80厘米，患者只有15%的生存機會。

數據集中的變量有：

• 腫瘤大小
• 腫瘤的等級
• 影響到的淋巴結
• ……

網上有一些關于如何處理這個數據集的教程。如果你想挑戰下自己，可以嘗試預測不同腫瘤大小的生存率。

威斯康星州乳腺癌數據集鏈接：

https://www.kaggle.com/uciml/breast-cancer-wisconsin-data

07、印第安人糖尿?。ㄖ屑?

這個數據集是關于預測糖尿病的。這個比賽有超過15萬個例子，你需要預測病人是否會患糖尿?。ǘ诸悾?。

變量相當簡單，因為只有一個特征：

• 糖尿病

這項挑戰的目標是預測病人在五年內是否會發展成糖尿病。這是練習二元分類問題技能的好方法。

印第安人糖尿病數據集鏈接：

https://www.kaggle.com/uciml/pima-indians-diabetes-database

08、亞馬遜評論數據集（中級）

亞馬遜評論數據集很適合練習文本分析。當中包含了對亞馬遜網站上產品的評論。

這個數據集很有趣，當中有正面和負面評論，數據集的目標是預測評論是正面還是負面的。

變量有：

• 評論文本（一個字符串）

關于如何處理這個數據集，也有很多教程。如果想加大難度，你可以嘗試預測情感分析，然后在此基礎上建立模型。

亞馬遜評論數據集鏈接：

https://www.kaggle.com/bittlingmayer/amazonreviews

09、MNIST手寫數字圖像識別(高級)

該數據集包含了很多手寫體數字圖像，當中由大小為28x28像素的圖像組成，有6萬個訓練實例和1萬個測試實例。

該數據集的目標是對訓練集和測試集中的所有數字進行正確分類。對于這種類型的問題，通常要使用卷積神經網絡（CNN）。

網上有很多關于如何處理這類問題的教程，所以我建議你先從基礎知識開始，然后再繼續學習更高級的方法。

MNIST手寫數字數據集鏈接：

https://www.kaggle.com/c/digit-recognizer

10、CIFAR-100(高級)

CIFAR-100數據集非常適合練習機器學習的技能。該數據集包含了100張物體的圖像，分為六個類別：飛機、汽車、貓、鹿、狗和船。每張圖片是32x32像素，有三個顏色通道（紅、綠、藍）。

該數據的目標是預測每張圖片屬于這六類中的哪一類。

數據集中的變量有：

• 像素
• 紅色通道
• 綠色通道
• 藍色通道
• ……

有很多關于如何應對這一挑戰的教程。想加大難度的話，嘗試預測以某種方式扭曲或變換的圖像標簽。

CIFAR-100數據集鏈接：

https://www.kaggle.com/fedesoriano/cifar100

結語：

本文中列出的10個數據集能很好地磨練你的數據分析技能。如果你是剛剛入門，可以先試著做一些比較簡單的數據集，由淺到難，不斷深入進階。