CDA資料分析師 出品
作者：Andrew Lombarti
編譯：Mika
Kaggle是一個很流行的資料科學競賽平台。在上面，你不僅可以參加各種資料分析題競賽，還可以通過各行業的真實資料集來實踐自己的技能。
在本文中我們将介紹10個資料集，從适合新手小白到進階進階人群的都有。這些資料集非常有趣，而且還很适合在面試前練習技能。
下面讓我們一起來看看吧！
01、泰坦尼克号資料集（初級）
泰坦尼克号資料集是Kaggle上最熱門的資料集之一。這是一個很好的入門資料集，當中涉及到13個變量和超過1500個記錄。該資料集中包含了乘坐泰坦尼克号的乘客資訊。
目标是根據乘客的特征來預測他們是否能幸存下來。根據資料集，你可以看到已婚女性比單身男性有更高的存活機率。
該資料集中的變量有：
- 年齡
- 性别
- 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）
- 乘客票号
- ……
關于如何處理這個資料集，網上已經有很多教程了。如果你想挑戰一下自己，不妨試着預測乘客在不同地點登船的存活率。
泰坦尼克号資料集連結：
https://www.kaggle.com/c/titanic
02、鸢尾花資料集（初級）
這個資料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鸢尾花屬于（Setosa(山鸢尾)，Versicolour(雜色鸢尾)，Virginica(維吉尼亞鸢尾)）三個種類中的哪一類。
例如，山鸢尾的花瓣較短，萼片較寬。假如花瓣長度大于3厘米，萼片小于6厘米，那麼這種花很可能屬于山鸢尾。
此資料集中的變量如下：
- 花瓣長度
- 萼片寬度
同樣有許多可用于處理該資料集的教程。其中最流行的是“在鸢尾花資料集上使用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，還具有預建構的功能，能幫你輕松地訓練模型。
鸢尾花資料集連結：
https://www.kaggle.com/uciml/iris
03、列車資料集（初級）
列車資料集也是Kaggle上很熱門的一個資料集。該資料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資訊。
目的是預測乘客是否會在某站下車。根據資料集，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機率更高。
資料集中的變量如下：
- 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。
列車資料集連結：
https://www.kaggle.com/c/train-occupancy-prediction/data
04、波士頓住房資料集（初級）
波士頓住房資料集包含波士頓市住房的資訊。當中有超過20萬條記錄和18個變量，目标是預測房價是否昂貴。資料集有三個不同的類别，分别是：昂貴、正常以及便宜。
當中的變量包括：
- 卧室數量
- 浴室數量
- 平均房間數
如果你對資料科學領域感興趣，這個資料集是一個很好的嘗試。内容有趣而且不是太難。
波士頓住房資料集連結：
https://www.kaggle.com/c/boston-housing
05、酒精與藥物關系（中級）
酒精和藥物關系資料集是練習資料可視化技能的絕佳資料集。它包含關于不同藥物之間互相作用的資訊。
該資料集的目标是根據兩種藥物的化學結構，進而預測它們是否會互相作用。例如，資料集中表示布洛芬和撲熱息痛可以互相作用，因為它們都是抗炎藥（NSAIDs）。
資料集中的變量包括：
- 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）
這是一個很好的資料集，可以用來練習資料可視化技能。你可以在當中試着建立圖表，顯示不同藥物之間的互相作用。
酒精與藥物資料集連結：
https://www.kaggle.com/jessicali9530/kuc-hackathon-winter-2018
06、威斯康辛州乳腺癌（中級）
對于那些在資料科學方面比較有經驗的人來說，威斯康星州乳腺癌資料集是一個很大的挑戰。這個資料集包含了威斯康星州的乳腺癌患者的資訊。
該資料集的目标是根據病人的特征來預測是否患有癌症。
例如，你可以從資料集中看到，惡性良性腫瘤大小若小于0.50厘米，患者有98%的生存機會，而惡性良性腫瘤大小大于或等于0.80厘米，患者隻有15%的生存機會。
資料集中的變量有：
- 惡性良性腫瘤大小
- 惡性良性腫瘤的等級
- 影響到的淋巴結
網上有一些關于如何處理這個資料集的教程。如果你想挑戰下自己，可以嘗試預測不同惡性良性腫瘤大小的生存率。
威斯康星州乳腺癌資料集連結：
https://www.kaggle.com/uciml/breast-cancer-wisconsin-data
07、印第安人糖尿病（中級)
這個資料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病（二進制分類）。
變量相當簡單，因為隻有一個特征：
- 糖尿病
這項挑戰的目标是預測病人在五年内是否會發展成糖尿病。這是練習二進制分類問題技能的好方法。
印第安人糖尿病資料集連結：
https://www.kaggle.com/uciml/pima-indians-diabetes-database
08、亞馬遜評論資料集（中級）
亞馬遜評論資料集很适合練習文本分析。當中包含了對亞馬遜網站上産品的評論。
這個資料集很有趣，當中有正面和負面評論，資料集的目标是預測評論是正面還是負面的。
變量有：
- 評論文本（一個字元串）
關于如何處理這個資料集，也有很多教程。如果想加大難度，你可以嘗試預測情感分析，然後在此基礎上建立模型。
亞馬遜評論資料集連結：
https://www.kaggle.com/bittlingmayer/amazonreviews
09、MNIST手寫數字圖像識别(進階)
該資料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6萬個訓練執行個體和1萬個測試執行個體。
該資料集的目标是對訓練集和測試集中的所有數字進行正确分類。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，是以我建議你先從基礎知識開始，然後再繼續學習更進階的方法。
MNIST手寫數字資料集連結：
https://www.kaggle.com/c/digit-recognizer
10、CIFAR-100(進階)
CIFAR-100資料集非常适合練習機器學習的技能。該資料集包含了100張物體的圖像，分為六個類别：飛機、汽車、貓、鹿、狗和船。每張圖檔是32x32像素，有三個顔色通道（紅、綠、藍）。
該資料的目标是預測每張圖檔屬于這六類中的哪一類。
- 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标簽。
CIFAR-100資料集連結：
https://www.kaggle.com/fedesoriano/cifar100
結語：
本文中列出的10個資料集能很好地磨練你的資料分析技能。如果你是剛剛入門，可以先試着做一些比較簡單的資料集，由淺到難，不斷深入進階。