[[331092]]

無(wú)論是做數(shù)據(jù)分析，數(shù)據(jù)挖掘還是機(jī)器學(xué)習(xí)，對(duì)于新手來(lái)說(shuō)，學(xué)習(xí)再多的模型、算法理論，可能都不如一次實(shí)踐學(xué)到的多，所以我經(jīng)常建議大家在學(xué)習(xí)的過(guò)程中多通過(guò)實(shí)戰(zhàn)項(xiàng)目練練手，加強(qiáng)對(duì)算法、模型的理解。

要練手上哪找數(shù)據(jù)呢？平常我做的分析實(shí)戰(zhàn)里都會(huì)把數(shù)據(jù)集提供給大家練習(xí)，今天我干脆為大家整理了我平常做數(shù)據(jù)分析、數(shù)據(jù)挖掘練習(xí)的時(shí)候經(jīng)常用到的數(shù)據(jù)集網(wǎng)站，對(duì)做機(jī)器學(xué)習(xí)的朋友也很有用

簡(jiǎn)單、公開(kāi)的數(shù)據(jù)集

先分享一些科研機(jī)構(gòu)、企業(yè)、政府會(huì)開(kāi)放的一些數(shù)據(jù)集和一些專業(yè)的數(shù)據(jù)下載網(wǎng)站。這些數(shù)據(jù)集一般都比較完善、質(zhì)量相對(duì)較高，拿到手?jǐn)?shù)據(jù)清洗的工作比較少，適合新手做一些簡(jiǎn)單基礎(chǔ)的分析

1、中國(guó)統(tǒng)計(jì)信息網(wǎng)：http://www.tjcn.org/

全國(guó)各級(jí)政府各年度的國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)信息，部分?jǐn)?shù)據(jù)免費(fèi)

2、國(guó)家統(tǒng)計(jì)局:http://www.stats.gov.cn/

各種民生相關(guān)的統(tǒng)計(jì)數(shù)據(jù)，而且所有數(shù)據(jù)都是免費(fèi)，而且這個(gè)網(wǎng)站的友情鏈接里還有很多其他地方的數(shù)據(jù)以及國(guó)外數(shù)據(jù)。

3、中國(guó)產(chǎn)業(yè)信息網(wǎng)：
http://www.chyxx.com/data/

包含了各個(gè)行業(yè)相關(guān)的數(shù)據(jù)，所有的數(shù)據(jù)全部免費(fèi)，做行業(yè)分析經(jīng)常用到的

4、美國(guó)政府公開(kāi)數(shù)據(jù)：https://www.data.gov/

美國(guó)政府公開(kāi)數(shù)據(jù)的網(wǎng)站，包含了經(jīng)濟(jì)、消費(fèi)、教育、醫(yī)療、農(nóng)業(yè)等多個(gè)領(lǐng)域的數(shù)據(jù)

5、世界銀行：
https://data.worldbank.org/

世界銀行的開(kāi)放數(shù)據(jù)。平臺(tái)還提供了一些工具，比如開(kāi)放數(shù)據(jù)目錄，世界發(fā)展指數(shù)，教育指數(shù)等。

6、百度數(shù)據(jù)開(kāi)放平臺(tái)：
https://open.baidu.com/open/#/open

7、國(guó)云數(shù)據(jù)市場(chǎng)：https://link.zhihu.com/?target=
http%3A//www.moojnn.com/data-market/

主要包含：生活服務(wù)、教育、能源、建筑、交通運(yùn)輸、政府、金融、農(nóng)業(yè)、醫(yī)療、衛(wèi)生等行業(yè)的數(shù)據(jù)，大部分免費(fèi)，有些需要付費(fèi)

數(shù)據(jù)可視化項(xiàng)目數(shù)據(jù)集

最常見(jiàn)的數(shù)據(jù)可視化項(xiàng)目就是制作某某地區(qū)人均收入?yún)^(qū)別的信息圖，找數(shù)據(jù)可視化項(xiàng)目相關(guān)的數(shù)據(jù)集的時(shí)候，我們希望數(shù)據(jù)集盡量“干凈”，減少數(shù)據(jù)清洗的工作，數(shù)據(jù)要足夠有趣，能夠支撐起豐富的圖表，所以這類的數(shù)據(jù)可以去上面我的說(shuō)一些公開(kāi)數(shù)據(jù)網(wǎng)站找，另外我也列一些除了政府網(wǎng)站之外的相關(guān)網(wǎng)站：

1、FiveThirtyEight：
http://fivethirtyeight.com/

這是互動(dòng)式新聞與體育賽事的網(wǎng)站，網(wǎng)站中會(huì)發(fā)布許多數(shù)據(jù)相關(guān)的文章，這些文章中會(huì)把使用到的數(shù)據(jù)集發(fā)布在github上，除了獲取數(shù)據(jù)集，你還可以參考別人的項(xiàng)目過(guò)程

2、Socrata OpenData：
https://opendata.socrata.com/

Socrata OpenData 網(wǎng)站包含多個(gè)清洗后的數(shù)據(jù)集，可以直接在瀏覽器中查看，也可以下載到本地進(jìn)行可視化，大部分?jǐn)?shù)據(jù)來(lái)源于美國(guó)政府。

數(shù)據(jù)建模、機(jī)器學(xué)習(xí)的數(shù)據(jù)集

1、UCI：
https://archive.ics.uci.edu/ml/datasets.html

UCI是加州大學(xué)歐文分校開(kāi)放的經(jīng)典數(shù)據(jù)集，是機(jī)器學(xué)習(xí)領(lǐng)域最有名的數(shù)據(jù)存儲(chǔ)庫(kù)。包含各種數(shù)據(jù)集，比如經(jīng)典的泰坦尼克號(hào)幸存預(yù)測(cè)到最新的數(shù)據(jù)（如空氣質(zhì)量和GPS軌跡）。

2、阿里天池：
https://tianchi.aliyun.com/

作為國(guó)內(nèi)互聯(lián)網(wǎng)龍頭阿里巴巴旗下的大數(shù)據(jù)競(jìng)賽網(wǎng)站，提供了很多比賽數(shù)據(jù)集可以練手，說(shuō)不定還能順手拿個(gè)獎(jiǎng)，賺點(diǎn)獎(jiǎng)金

3、Kaggle：
https://www.kaggle.com/datasets

Kaggle 是一個(gè)舉辦了多項(xiàng)機(jī)器學(xué)習(xí)競(jìng)賽的數(shù)據(jù)科學(xué)社區(qū)。用戶可以自己上傳數(shù)據(jù)集，也可以通過(guò)某項(xiàng)競(jìng)賽下載數(shù)據(jù)集，里面有不少別的平臺(tái)找不到的有趣數(shù)據(jù)集。

4、科賽網(wǎng)：
https://www.kesci.com/home/project

這個(gè)網(wǎng)站提供了不少數(shù)據(jù)集可以免費(fèi)下載，而且還有一些數(shù)據(jù)項(xiàng)目的比賽，不過(guò)整體來(lái)說(shuō)項(xiàng)目的難度比較低，獎(jiǎng)金也不是很多，學(xué)生參加的比較多，反正單純用來(lái)獲取數(shù)據(jù)集還是很不錯(cuò)的

5、Quandl

這是一個(gè)包含經(jīng)濟(jì)與金融數(shù)據(jù)的倉(cāng)庫(kù)。其中的部分信息是免費(fèi)的，但是大部分?jǐn)?shù)據(jù)集需要購(gòu)買，數(shù)據(jù)可以用來(lái)構(gòu)建經(jīng)濟(jì)指標(biāo)預(yù)測(cè)或者股價(jià)分析模型等等。

大型數(shù)據(jù)集

有時(shí)候你可能只是想找一些大型的數(shù)據(jù)集來(lái)進(jìn)行分析，分析的結(jié)果可能并不重要，重要的只是對(duì)于數(shù)據(jù)的讀取與分析過(guò)程，練習(xí)數(shù)據(jù)處理能力，這里我也列舉幾個(gè)用的比較多的網(wǎng)站：

1、AWS 公開(kāi)數(shù)據(jù)集：
https://www.amazon.com/aws

亞馬遜在其 Amazon Web Services 中提供了一些大型數(shù)據(jù)集可以免費(fèi)下載，不過(guò)你得注冊(cè)一個(gè)aws賬戶，新用戶有免費(fèi)訪問(wèn)的權(quán)限

2、Google 公開(kāi)數(shù)據(jù)集：
https://cloud.google.com/bigquery/public-data/

Google提供了一些數(shù)據(jù)集作為其Big Query工具的一部分。包括 GitHub 公共資料庫(kù)的數(shù)據(jù)，Hacker News 的所有故事和評(píng)論。

3、Youtube標(biāo)簽視頻數(shù)據(jù)集
:https://research.google.com/youtube8m/

Youtube標(biāo)簽視頻數(shù)據(jù)集包括來(lái)自4800個(gè)可視化實(shí)體的800萬(wàn)個(gè)YouTube視頻ID和相關(guān)標(biāo)簽。它具有數(shù)十億幀的預(yù)計(jì)算的、最先進(jìn)的視覺(jué)功能。