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 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）

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）

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 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。

NASA Open Data

🔗 https://data.nasa.gov

卫星影像、气候数据。

European Union Open Data Portal

🔗 https://data.europa.eu

四、实用建议 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）

快速调用方式：

Python库直接加载（示例）：

代码语言：javascript复制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）。