机器学习练习用九套CSV表格数据集
数据集简介
从仓库开始
这组练习数据以 GitHub 仓库形式组织,README 标题为 “CSV datasets for machine-learning practice”。仓库定位很明确:提供九张 CSV 表格,供读者练习数据清洗、探索性分析、分类与回归。它不是模型仓库,也不附带 notebook、生成器或评估结果,读者拿到的就是原始练习输入文件。
获取方式为克隆仓库后按需加载本地文件:
git clone https://github.com/gcfernando/machine-learning-practice-datasets.git
仓库未提供许可文件,README 也说明数据来源与许可均未记录。因此在再分发或用于公开项目之前,需要自行确认每张表的来源与复用权利。
九张表的内容清单
九张 CSV 的行列规模如下,行数不含表头:
| 文件 | 行数×列数 | 主要字段 |
|---|---|---|
| Iris.csv | 150×5 | sepal_length、sepal_width、petal_length、petal_width、species |
| Salary.csv | 205×2 | years_experience、salary |
| Purchase.csv | 10×4 | Employee、Age、Salary、Purchased |
| Titanic.csv | 891×12 | PassengerId、Survived、Pclass、Name、Sex、Age、SibSp、Parch、Ticket、Fare、Cabin、Embarked |
| College.csv | 777×19 | 未命名院校名列、Private、Apps、Accept、Enroll、Top10perc、Top25perc、F.Undergrad、P.Undergrad、Outstate、Room.Board、Books、Personal、PhD、Terminal、S.F.Ratio、perc.alumni、Expend、Grad.Rate |
| customer_data.csv | 1000×9 | Customer_ID、Name、Age、Gender、Email、Phone、Country、Signup_Date、Purchase_Amount |
| sales_data.csv | 1000×8 | Transaction_ID、Customer_ID、Transaction_Date、Product_Category、Payment_Method、Transaction_Amount、Discount_Applied、Is_Fraudulent |
| reviews_data.csv | 1000×6 | Review_ID、Customer_ID、Review_Text、Rating、Sentiment、Review_Date |
| sensor_data.csv | 1000×5 | Sensor_ID、Timestamp、Temperature、Humidity、Pressure |
Iris、Salary、Purchase、Titanic、College 属于常见的教学型小表,适合快速验证分类与回归流程;后四张千行级表则引入了日期、文本、布尔标记等更杂的字段,更适合练习清洗与特征处理。
快速上手与运行前提
使用方式很直接:克隆仓库后,用任意支持 CSV 的工具加载单个本地文件即可开始练习,无需安装额外依赖或启动服务。README 另设 “Prerequisites and installation”“Quick start”“Usage” 等小节,说明环境准备与基本用法,读者可按其顺序操作。
由于仓库不含 notebook,练习流程需要读者自行搭建。每张表都可以独立加载,适合按主题挑选:分类练习可先取 Iris 或 Titanic,回归练习可取 Salary,数据清洗练习则更适合从后四张千行表入手。
字段含义与解读提示
README 设有 “Data dictionary” 与 “Interpretation notes” 两节,对字段含义与解读方式给出说明。从字段设计看,customer_data 以 Customer_ID 关联客户属性与注册日期;sales_data 以 Transaction_ID 标识交易,并用 Customer_ID 与客户表建立关联,Is_Fraudulent 为欺诈标记;reviews_data 的 Review_Text 与 Sentiment 构成文本情感练习素材;sensor_data 以 Sensor_ID 与 Timestamp 组织温度、湿度、气压读数,适合时间戳解析与时间序列练习。
College.csv 首列为未命名的院校名列,其余字段覆盖申请、录取、在校生规模、学费与师资等维度,适合做多变量探索。解读这些表时,需留意字段间的关联关系以及日期、文本字段的格式差异。
开发测试、问题排查与贡献
README 还包含 “Development and testing”“Troubleshooting and limitations”“Contributing” 等小节,分别面向仓库维护、使用中可能遇到的问题以及贡献方式。其中 “Troubleshooting and limitations” 提示了使用限制,与仓库不提供模型、notebook、生成器和评估结果的定位一致:这里只有练习输入,没有配套结果。
“Documentation: Schema and quality reference” 与 “Additional full-file quality checks” 两节进一步给出模式与质量参考,并对完整文件做额外质量检查,便于读者在清洗练习前了解各表的字段结构与质量状况。
引用与使用约定
仓库本身未提供许可文件,数据来源与许可均未记录。若在文章、课程或项目中引用,建议注明仓库名 machine-learning-practice-datasets 及维护者 gcfernando,并在再分发前确认各表的来源与复用权利。