43种机器学习开源数据集（附地址/调用方法）

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。

1. sklearn.datasets.load_<name>：自带数据集（数据量较小）
2. sklearn.datasets.fetch_<name>：在线下载的数据集
3. sklearn.datasets.make_<name> ：生成指定类型的随机数据集
4. sklearn.datasets.load_svmlight_file ：svmlight/libsvm格式的数据集
5. 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。

fromsklearn.datasets importload_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。

fromsklearn.datasets importfetch_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/

fromsklearn.datasets importload_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：

fromsklearn.datasets importfetch_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

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。