数据集的收集

我在这里找到了一个数据集的网站：https://www.kaggle.com/datasets

我这里找到了三个小数据集为例子分别如下：

 我写的数据分析如下：

1.

数据集名称	房价回归数据集
来源	https://www.kaggle.com/datasets/prokshitha/home-value-insights?resource=download
数据集描述	该数据集包含了多个房屋的属性信息，旨在通过这些属性来预测房屋的售价。属性包括房屋面积、卧室数量、浴室数量、建造年份、地块面积、车库大小以及社区质量评级等。
样本数（大小）	1000	属性个数	7（不包括目标变量）		属性值取值范围	Square_Footage: 房屋面积（平方英尺），取值范围从几百到几千不等，例如 503.00 - 4999.00 Num_Bedrooms: 卧室数量，整数，取值范围从1到多个，例如 1.00 - 5.00 Num_Bathrooms: 浴室数量，整数或小数（考虑半浴室），取值范围从1.00到多个，例如 1.00 - 10.00 Year_Built: 建造年份，整数，取值范围从较旧年份到较新年份，例如 1950 - 2022 Lot_Size: 地块面积（英亩），小数，取值范围从0.51到接近5，例如 0.51 - 4.99 Garage_Size: 车库大小（可容纳的汽车数量），整数，取值范围从0到多个，例如 0.00 - 10.00 Neighborhood_Quality: 社区质量评级，整数，取值范围从1到10，例如 1 - 10
标签数量	1(House_Price）	标签值\取值范围		房价（美元），取值范围从较低到较高，例如 503.00 - 1108236.84
样本举例	Square_Footage: 1500   Num_Bedrooms: 3   Num_Bathrooms: 2.5   Year_Built: 2000   Lot_Size: 0.75   Garage_Size: 2   Neighborhood_Quality: 8   House_Price: 350000
面向任务	这是一个回归任务，目标是基于给定的房屋属性来预测房价（House_Price）。

 

2.

数据集名称	班加罗尔餐馆数据集
来源	https://www.kaggle.com/datasets/mrmars1010/restaurants-dataset-bengaluru
数据集描述	该数据集提供了班加罗尔市餐厅的详细信息，包括餐厅名称、评分、菜系、位置（包括国家、州/省份、邮政编码、街道地址）、评论、价格范围、附带照片等。这些数据通过复杂的网络爬虫技术从TripAdvisor上精心提取，旨在为研究人员、企业和数据科学家提供有关该市餐饮行业的深入见解。
样本数（大小）	7397	属性个数	15		属性值取值范围	餐厅名称: 字符串，如 "Goila Butter Chicken (GBC)" 地址: 字符串，表示街道地址 地址对象/国家: 字符串，主要是 "印度"，但可能包含其他值或空值 地址对象/邮政编码: 整数或字符串，如 "560001" 地址对象/状态: 字符串，可能包含 "其他" 或印度各州/省份的名称 美食: 字符串，表示菜系类型，如 "印度美食" 描述: 字符串，描述餐厅、氛围或菜单 饮食限制: 字符串，如 "素食者" 或 "无麸质" 菜肴: 字符串列表，表示热门或招牌菜肴 特征: 字符串列表，如 "预订座位"、"桌位服务" 纬度、经度: 浮点数，表示餐厅的地理坐标 评论数: 整数，表示评论的数量 评级: 浮点数，表示餐厅的平均评分（如4.5星） 排名分母: 整数，表示用于排名的总餐厅数 排名位置: 整数，表示餐厅在特定排名中的位置
标签数量	该数据集主要用于描述性分析和模型训练，没有直接的“标签”用于监督学习任务，但“评级”和“排名位置”可以被视为隐式标签或目标变量，用于回归或排序任务。	标签值\取值范围		评级: 浮点数，取值范围从1到5（或类似范围） 排名位置: 整数，取值范围取决于排名分母的值
样本举例	"餐厅名称": "Goila Butter Chicken (GBC)",       "地址": "某街道地址",       "地址对象/国家": "印度",       "地址对象/邮政编码": "560001",       "地址对象/状态": "其他",       "美食": "印度美食",       "描述": "以其著名的烟熏黄油鸡而闻名...",       "饮食限制": "素食者",       "菜肴": ["烟熏黄油鸡", "其他招牌菜"],       "特征": ["外送", "停车"],       "纬度": 12.9716,       "经度": 77.5946,       "评论数": 123,       "评级": 4.5,       "排名分母": 1000,       "排名位置": 50
面向任务	分类任务: 根据菜系或特征对餐厅进行分类。 回归任务: 预测餐厅的评级或价格范围。 聚类任务: 基于餐厅的特征进行聚类分析，发现不同的餐厅群体。 情感分析: 对餐厅的评论进行情感分析，了解顾客满意度。 推荐系统: 基于用户偏好和餐厅特征构建推荐系统。 地理空间分析: 利用经纬度信息进行地图绘制和基于位置的分析。

 

3.

数据集名称	2024 年 FT 全球商学院 MBA 排名 100 强
来源	https://www.kaggle.com/datasets/michaeldelamaza/ft-global-business-school-top-100-mba-ranking-2024
数据集描述	该数据集包含了《金融时报》在2024年2月11日发布的全球前100所商学院的排名及相关信息。数据涵盖了多个方面，包括学校的综合排名、校友网络、碳足迹、地理位置、职业发展、薪资水平、多样性评估、项目评估以及教师专长等。这些数据对于了解全球商学院的最新动态、评估商学院的整体实力以及为潜在学生提供择校参考具有重要意义。
样本数（大小）	100	属性个数	28		属性值取值范围	秩（排名）: 1到100的整数 校友网络排名: 未知范围，但应为整数或排名 碳足迹排名: 未知范围，但应为整数或排名 加权工资（美元）: 未知具体范围，但应为正数 职业进步排名、就业服务排名、行业多样性排名等: 未知范围，但应为整数或排名 百分比类属性（如目标实现%、女性比例%等）: 0%到100% 其他属性（如国际学生比例、具有博士学位的教师比例等）: 0%到100%的百分比，或具体数值（如薪资、人数等）
标签数量	该数据集主要用于描述性分析，没有直接的监督学习标签。但如果将排名视为标签，则标签数量为1（即排名）。但更常见的是将各个子属性（如加权工资、职业进步等）视为独立的分析维度，而不是标签。	标签值\取值范围		由于该数据集主要用于描述性分析，不直接包含监督学习标签，因此不适用“标签值\取值范围”的描述。但如果考虑排名作为隐式标签，其取值范围为1到100。
样本举例	"秩": 1,       "学校名称": "哈佛大学商学院",       "校友网络排名": 3,       "碳足迹排名": 45,       "主要校区位置": "美国",       "2022年排名": 2,       "三年平均排名": 1.5,       "2023年排名": 1,       "加权工资（美元）": 150000,       "职业进步排名": 2,       "目标实现（%）": 90,       "就业服务排名": 1,       "就业三个月（%）": 95,       "薪资百分比增长": 10,       "现时薪资（美元）": 165000,       "国际板(%)": 40,       "船上女性比例 (%)": 25,       "国际学生（%）": 30,       "行业多样性排名": 5,       "女性教师 (%)": 45,       "女学生（%）": 40,       "国际教师 (%)": 20,       "性价比排名": 2,       "总体满意度": 9.5,       "ESG和净零教学排名": 3,       "国际机会": 90,       "国际流动性排名": 1,       "国际课程体验排名": 2,       "具有博士学位的教师（%）": 85,       "FT研究排名": 1
面向任务	描述性分析: 分析全球商学院的各项排名和指标，了解整体趋势和个体差异。 比较分析: 对比不同商学院在各项指标上的表现，找出优势和劣势。 预测分析: 虽然该数据集本身不直接用于预测，但可以根据历史排名和趋势预测未来商学院的排名变化。 决策支持: 为潜在学生、教育机构、雇主等提供决策支持，帮助他们做出更明智的选择。