简介面向机器学习入门者的《1. 机器学习前置知识》配套数据集围绕前置知识章节设计了多个真实业务场景涵盖电影评分、新闻标题、星巴克门店、股票行情与出行记录等常见数据形态适合初学者在接触建模算法前先系统练习数据加载、清洗、探索性分析与简单可视化。压缩包共含6个文件其中4个CSV表格可直接用于熟悉结构化数据的读取、筛选与聚合1个JSON文件帮助理解半结构化文本的解析与转换1个HDF5文件用于掌握序列化数据的存储与读取整体仅约2.76MB体量轻巧便于本地快速下载与反复实验。目前已有4366人学习下载能够配合视频课程或图文笔记边看边练尤其适合课程作业、自学实践或项目预研。借助这些真实数据学习者可以直观体会不同数据格式的处理差异掌握从原始数据到可用训练样本的完整预处理流程为后续机器学习特征工程与建模打下扎实基础。1. 机器学习前置知识配套数据集给谁用、解决什么很多入门机器学习的人卡在同一个地方公式推了一遍概念背得出来但一到动手就发现手里没有能跑的数据。吴恩达课程、西瓜书、学校期末和各类慕课讲完前置知识之后都会让你去练分类、练回归、练聚类可是数据从哪来、格式什么样、怎么读进内存教材里从来不写。《1. 机器学习前置知识》配套数据集就是补这个空档的——它把前置课里提到的概念映射成一组能直接跑起来的数据文件覆盖分类、回归、聚类、降维和图像识别这几类最常见的练手任务让理论课和第一次写 fit/predict 之间不再断档。适合自学入门、准备考研复试、期末突击复习的读者也适合带新课的助教拿去布置作业。2. 一套入门数据集该装什么5类任务与三种文件形态2.1 监督学习三件套分类、回归、多分类的标配数据前置知识阶段最常见的练手任务是二分类、多分类和回归。二分类数据集里最经典的是乳腺癌诊断这类结构特征列是细胞属性标签列只有 0 和 1多分类则绕不开鸢尾花数据集四个特征对应三个物种回归任务通常会用房价或波士顿房价这类数值型目标。我这套配套数据的组织方式就是按任务类型分目录每个目录下放一个 CSV 和一个 READMECSV 里第一行是列名最后一列是标签中间全是数值特征。这样设计的原因很直接新手不需要理解复杂的目录结构一个 pandas.read_csv 就能把数据拿到手专注力全放在算法上。2.2 无监督与降维聚类和可视化练手数据聚类和降维是前置课里最容易讲得飘的部分配套数据必须给它一个落脚点。常见做法是放一份二维分布有明显团状结构的数据比如三团高斯点云让 KMeans 一跑就能看到聚类效果再放一份高维数据用于 PCA 可视化比如手写数字的特征矩阵降维到二维平面。这里有个容易被忽略的细节无监督数据不要给标签列或者把标签单独放在另一个文件里。如果 CSV 里天然带着标签列新手会不自觉地拿它去算准确率这就偏离了前置课的训练目标。我会把带标签版本放在 label 子目录无监督版本放在 raw 子目录用文件名后缀区分避免误导。2.3 从通用到专用图像数据集的目录组织方式入门阶段需要接触图像数据但不需要一上来就面对 COCO、DOTA 那种带复杂标注格式的专用数据集。前置课配套数据里的图像部分最常见的形态是扁平化的像素矩阵也就是把 28×28 的灰度图拉成 784 维的一行MNIST 就是这种结构。另一种形态是目录即标签每个类别一个文件夹里面放若干张图这种组织方式在迁移学习和图像分类入门里很常见。值得注意的是像 CCPD 车牌数据集、HRSC2016 遥感舰船数据集、PHM2012 轴承数据这类专用数据集它们的标注格式与组织逻辑都高度定制需要配合专用解析工具才能用不适合放进前置课第一阶段。判断一套配套数据集是否合格标准就是启动成本拿到手五分钟内能不能开始第一次训练。3. 数据到手先做三件事校验完整、预览分布、划分训练集3.1 用 MD5 校验文件完整性防止数据悄悄损坏从网上下载的数据集最大的隐性风险不是格式不对而是文件传输过程中发生了静默损坏。CSV 文件如果丢了几行pandas 读的时候可能毫无异常但训练出来的模型精度会莫名掉一截。拿到配套数据的第一件事应该是核对校验值。常见的做法是发布方提供一个 checksum 清单下载方用 Python 逐文件核对import hashlib from pathlib import Path def verify_md5(file_path: str, expected_md5: str) - bool: 核对单个文件的 MD5 值防止下载过程损坏 hash_md5 hashlib.md5() # 分块读取避免一次性把大文件载入内存 with open(file_path, rb) as f: for chunk in iter(lambda: f.read(4096), b): hash_md5.update(chunk) return hash_md5.hexdigest() expected_md5 # 用法示例把每个文件的期望 MD5 放在 checksum.txt 里逐行比对 # 如果返回 False说明文件不完整需要重新下载这段代码的逻辑是标准的流式哈希逐块读取文件内容更新 MD5 摘要最后比对十六进制结果。参数里值得注意的一点是 4096 这个块大小它对小文件没影响但遇到几百 MB 的数据集时块太小会让 IO 次数变多、校验变慢块太大又浪费内存4KB 是通用折中选择。实际使用中校验失败最常见的原因是下载工具中断后自动重试但文件没写完整这时直接删掉重新下载比手动修补可靠得多。3.2 用 pandas 做结构预览与统计口径确认校验通过之后第二步是快速了解数据的长相。常见做法是写一个三件套的脚本head 看前几行、info 看列类型和非空数量、describe 看数值分布。这一步的价值是确认数据的统计口径前置数据集的 README 里写着“年龄单位是岁”但实际数据里可能出现 0 或者负数这些只能靠肉眼扫分布才能发现。import pandas as pd df pd.read_csv(data/classification/breast_cancer.csv) print(df.head()) # 前 5 行检查列名和样例值 print(df.info()) # 列类型、非空数量确认没有读成字符串 print(df.describe()) # 数值列的均值、标准差、min、max抓异常值这段代码的逻辑很简单但参数说明里有几个细节。read_csv 默认把纯数字列读成 int64 或 float64但如果某一列有缺失值 pandas 会用 NaN 填充整列可能被升级成 float64这是正常现象。describe 默认只统计数值列如果发现某个本该是数值的列没出现在统计结果里基本可以断定该列存在非数字内容。我见过最典型的翻车现场是CSV 里混入了中文逗号导致整列读成字符串模型跑起来全是类型报错。3.3 train_test_split 划分随机种子与分层策略第三步是划分训练集和测试集。这个动作看起来简单但隐藏着前置课里最容易出问题的一个点数据泄漏。只要在划分之前做过任何基于全量数据的预处理比如用全量均值填充缺失值验证集的信息就已经渗进了训练过程。配套数据集阶段正确的顺序是先用 train_test_split 切分再去做归一化和填充。from sklearn.model_selection import train_test_split # 假设最后一列是标签 y前面所有列是特征 X X df.iloc[:, :-1] y df.iloc[:, -1] X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, # 测试集占 20% random_state42, # 固定随机种子保证结果可复现 stratifyy # 按标签比例分层采样分类任务强烈建议开启 )这段代码的逻辑核心是 stratify 参数。如果不分层二分类数据里正负样本 9:1随机划分后测试集可能恰好全是负样本模型评估出来就是一个假准确率。stratifyy 会保证训练集和测试集里的类别比例与全量数据一致。random_state42 是约定俗成的固定值目的是让每次运行划分结果一致方便横向对比不同算法的效果。如果你做的是回归任务没有类别标签可以分层只要固定随机种子即可。注意分层参数只接受一维标签数组传 DataFrame 会直接报错这是初学者最常碰到的异常之一。4. 从CSV到模型输入缺失值、编码与归一化的入门套路4.1 缺失值处理的三个层次删、填、标记前置配套数据集的 CSV 里通常不会故意放大量缺失值但你应该具备处理它的能力。缺失值处理有三个层次按使用频率排列直接删除、统计量填充、缺失标记。删除适用于缺失比例低于 5% 且随机分布的行填充适用于缺失比例较高的列常用均值、中位数或众数标记则是把“是否缺失”本身当作一个特征适用于缺失行为可能有信息量的场景比如用户填写问卷时跳过某题可能意味着态度消极。# 层次一删除缺失比例过高的列 df df.dropna(threshlen(df) * 0.95, axis1) # 层次二用中位数填充数值列中位数比均值对异常值更鲁棒 num_cols df.select_dtypes(include[float64, int64]).columns df[num_cols] df[num_cols].fillna(df[num_cols].median()) # 层次三给填充过的列加一列缺失标记 df[age_missing] df[age].isna().astype(int)这里的三个操作对应着不同场景。dropna 的 thresh 参数表示至少保留多少个非空值threshlen(df)*0.95 意味着丢弃缺失超过 5% 的列。select_dtypes 用来筛选数值列避免对字符串列做中位数填充导致类型错误。最后一行的 isna().astype(int) 是生成 0/1 标记的惯用写法。值得强调的是层次二里的中位数选择前置课里的数据规模小、异常值影响大均值容易被极端值拉偏中位数是更稳的默认选择。4.2 把字符串标签变成数值LabelEncoder 与 OneHot 的选择机器学习模型吃不了字符串这是所有入门教程都会讲的事但怎么转却是分场景的。标签列如果是二分类比如“是/否”直接映射成 0/1 即可如果是多分类比如鸢尾花的三个品种用 LabelEncoder 转成 0、1、2 也不会出问题。但特征列里的字符串和标签列里的字符串处理逻辑完全不同特征列若是有序等级比如“低/中/高”应该映射成 1、2、3 保留顺序关系若是无序类别比如颜色“红/绿/蓝”强转成 0、1、2 会引入不存在的顺序这时必须 OneHot。from sklearn.preprocessing import LabelEncoder, OneHotEncoder # 标签列直接编码 le LabelEncoder() y_encoded le.fit_transform(y) # 无序特征列OneHot 编码dropfirst 避免共线性 ohe OneHotEncoder(sparse_outputFalse, dropfirst) X_color_encoded ohe.fit_transform(X[[color]])标签列用 LabelEncoder 的理由是它只做数值映射、不增维模型输出层可以直接对齐而特征列用 OneHotEncoder参数 sparse_outputFalse 是为了拿到稠密数组方便后续和数值特征拼接。dropfirst 的作用是去掉第一个类别列防止线性模型里出现完全共线。实际项目里我见过不少坑有人在多分类标签上用了 OneHot导致模型输出维度变成三列和损失函数对不上也有人把无序分类特征用 LabelEncoder训练出来的模型效果玄学般差改回 OneHot 之后立刻恢复正常。4.3 归一化与标准化何时必须做何时做了反而错归一化和标准化是前置课里最容易产生误解的部分。归一化MinMaxScaler把数据缩放到 [0,1]适合特征取值范围有明确边界、且算法对尺度敏感的场景标准化StandardScaler把数据变成均值为 0、方差为 1适合特征分布近似高斯、或后续要使用正则化项的模型。什么时候不能做决策树、随机森林这类基于分裂的模型对特征尺度不敏感做了归一化除了浪费时间没有任何收益而 KNN、SVM、线性回归、神经网络这四类模型不归一化的话数值范围大的特征会在距离计算或梯度更新中占据主导地位模型基本废掉。from sklearn.preprocessing import StandardScaler, MinMaxScaler from sklearn.pipeline import Pipeline # 标准化适用于线性模型、SVM、KNN、神经网络 scaler StandardScaler() X_train_scaled scaler.fit_transform(X_train) X_test_scaled scaler.transform(X_test) # 必须用训练集的参数不能重新 fit # 归一化适用于特征边界明确、无异常值的数据 minmax MinMaxScaler(feature_range(0, 1)) X_train_minmax minmax.fit_transform(X_train)这段代码最关键的一行是 X_test_scaled 只调用 transform 不调用 fit。scaler 在训练集上拟合出均值和方差之后测试集必须沿用同一套参数否则测试分布被独立缩放等于人为改变了验证口径评估结果没有任何参考价值。正确做法是放进 Pipeline 里一起处理fit 和 predict 全流程一致不会出现忘记 transform 测试集的情况。前置课配套数据集里理论上每个 CSV 的数值范围都已经控制在合理区间内但你仍然应该做这一步因为后续切换自己的数据时这套动作才是真正通用的能力。5. 前置数据集使用避坑5条血泪经验5.1 最经典翻车读进来全是字符串模型直接报错现象df.info() 显示所有列都是 object 类型训练时报 could not convert string to float。原因CSV 文件里混入了不可见字符最常见的是 Excel 打开另存后引入的 BOM 头或全角空格。解决在 read_csv 时指定编码和分隔符读完后用 to_numeric 强制转换并查看错误行df pd.read_csv(data.csv, encodingutf-8-sig, sep,) # 定位哪一列无法转数值 for col in df.columns: df[col] pd.to_numeric(df[col], errorscoerce)encodingutf-8-sig 会自动吃掉 BOM 头这是 Windows 下 Excel 保存 CSV 最常见的坑。errorscoerce 会把无法解析的值变成 NaN然后你就能通过 isnull 定位到具体是哪些脏数据行。不要用 errorsraise它在第一行报错就停住你反而看不到全貌。5.2 数据泄漏划分之前做了归一化评估结果虚高现象训练集准确率 98%测试集也 98%但换到真实环境跌到 60%。原因用全量数据的均值做了标准化测试集的信息已经参与训练数据的统计计算模型相当于提前偷看了答案。解决严格遵守先划分、后处理的顺序或者直接使用 Pipeline。这个问题在期末复习和课程设计里极其常见因为教材为了简化教学常常在划分前就演示预处理学生照抄就踩中。5.3 标签不平衡准确率 99%但模型什么都没学会现象二分类数据里正样本占 99%模型全部预测为正准确率 99%但召回率是 0。原因前置课配套数据为了演示方便有时不会刻意做类别平衡直接训练默认的准确率评估会骗人。解决先用 value_counts 检查标签分布训练时使用 stratify 划分评估时同时看 precision、recall、f1。print(y.value_counts(normalizeTrue)) # 查看类别占比如果发现占比悬殊常见的处理方式是 class_weightbalanced让模型在损失函数里自动给少数类加权。不要在入门阶段就用过采样那个层次太高容易把前置课变成调参课。先意识到问题存在比掌握解法更重要。5.4 图像目录带中文或空格读取时莫名失败现象用 ImageFolder 读图像数据集部分图片报 Cant find file但路径明明存在。原因数据集目录里含有中文名或空格某些图像库底层使用的 C 接口对非 ASCII 路径支持不好。解决把所有目录和文件名统一改成英文小写加下划线。前置课阶段如果用到图像数据第一时间重命名目录是成本最低的规避手段。另外注意 MNIST 那种扁平矩阵格式没有这个问题因为它不涉及文件 IO一整个 CSV 或压缩包就完事。5.5 版本混淆鸢尾花数据集也有好几个版本现象从不同渠道下载的同一名字数据集行数、列数不一致。原因以鸢尾花为例有的版本是 150 行原始数据有的版本被处理成 120 行剔除了离群点还有的版本多了一列 ID。解决拿到数据先核对 shape再核对 README 里标注的版本说明。引用数据集时养成写版本的惯性比如“鸢尾花 UCI 原始版”这既是给自己的备忘也是给下游复用者减少一次踩坑。这个习惯在转向 CCPD、HRSC2016、PHM2012 这类复杂数据集时会更重要那些数据的版本差异直接决定标注格式能否对上。6. 进阶把配套数据集做成一个可复用的本地数据模块前置课配套数据用顺手之后你会发现一个规律每次新开一个项目都要重复一遍 read_csv、清理、划分的动作。与其每次都重新写不如把这套动作固化成一个加载器把数据集的目录结构变成约定写一次用一年。常见的组织方式是建一个 data_loader.py内置一个 load 函数传数据集名字和任务类型返回已经划分好的 X_train、X_test、y_train、y_test。from pathlib import Path import pandas as pd from sklearn.model_selection import train_test_split DATA_ROOT Path(datasets) def load_dataset(name: str, test_size: float 0.2, seed: int 42): 按约定目录结构加载数据集自动完成划分 csv_path DATA_ROOT / name / raw.csv df pd.read_csv(csv_path) X, y df.iloc[:, :-1], df.iloc[:, -1] return train_test_split( X, y, test_sizetest_size, random_stateseed, stratifyy )这个函数的设计逻辑是把可变和不可变分开。不可变的是目录约定和文件命名可变的是 test_size 和 seed。每次调用只需要改数据集名字返回的四元组直接喂给模型。验证这个模块是否可用的自测脚本也很简单对每个内置数据集跑一次完整训练流程记录准确率基线之后每次改动 loader 就跑一遍回归基线没变说明逻辑没有破坏。配套数据的价值不在于数据本身有多大而在于它把前置知识的抽象概念变成了可重复实验的基准线。我个人的习惯是每个数据集留一份 baseline 结果备忘记录随机种子、准确率、当时用的模型。后来复习时翻这些记录比翻笔记更能快速找回当时的上下文。这条路径走通之后你对机器学习的感知会从“看过概念”变成“亲手跑过”这两个状态的差距比想象中大得多。希望帮到你。本文还有配套的精品资源点击获取